update for table

cnn.rst

@@ -695,12 +695,12 @@ CNN 的优势
 
 load_expand_mnist 用于加载扩展数据集。我们这里尝试移动 1/3 个像素，比较 NN 和 CNN 的效果。
 
-======= =========== ============= =============
-模型     原数据     平移1像素     平移3像素
-======= =========== ============= =============
-NN       0.9624       0.9135       0.3726
-CNN      0.9797       0.9582       0.5918
-======= =========== ============= =============
+  ======= =========== ============= =============
+  模型     原数据     平移1像素     平移3像素
+  ======= =========== ============= =============
+  NN       0.9624       0.9135       0.3726
+  CNN      0.9797       0.9582       0.5918
+  ======= =========== ============= =============
 
 显然 NN 抗平移性能远远差于 CNN 网络，随着平移像素的增加，NN 的识别率急剧下降，另外注意到我们的 CNN 没有使用池化处理，否则优势将更明显。但是我们的验证也说明 CNN 网络并不能抵抗较大的变形，但是这对于人脑识别基本没有影响，显然 CNN 学习到的特征与背景严重相关，只要前景在背景上进行了移动，学习到的特征就开始失效。所以使用 CNN 前依然要对数据进行中心化等预处理。
 
@@ -789,7 +789,6 @@ model.save 将 Keras 模型和权重保存在一个 HDF5 文件中，该文件
   
   model = load_model('mnist_model.h5')  
 
-
 可视化工具
 --------------