網絡結構定義的差異：

在Python中(network3.py)，網絡定義時，不但定義了結構參數 layers，還定義了對應的 mini_batch_size。也就是說在 network3.py中定義的網絡，是與mini_batch_size有相關性的。如果計算過程中要進行 mini_batch_size的調整，直接更改 mini_batch_size然后重新計算是不可行的。
因此，需要對已有的網絡結構進行重新生成。

#網絡結構定義
class Network(object):
def init (self, layers, mini_batch_size):
self.layers = layers
self.mini_batch_size = mini_batch_size
self.params = [param for layer in self.layers for param in layer.params]
self.x = T.matrix(“x”)
self.y = T.ivector(“y”)
init_layer = self.layers[0]
init_layer.set_inpt(self.x, self.x, self.mini_batch_size)
for j in range(1, len(self.layers)):
prev_layer, layer = self.layers[j-1], self.layers[j]
layer.set_inpt(
prev_layer.output, prev_layer.output_dropout, self.mini_batch_size)
self.output = self.layers[-1].output
self.output_dropout = self.layers[-1].output_dropout

根據上述的 網絡結構參數定義的代碼，可以推斷出，如果想更改 mini_batch_size的大小，應該需要把原來（已有）的網絡參數 net.layers，net.params重新賦值到一個網絡中去。

載入已有的數據

step 1:
查找網絡的層級結構,

net.layers
[ , ]

step 2:
查找各層的輸入與輸出參數 n_in, n_out的數值

net.layers[0].n_in
784
net.layers[1].n_in
100
net.layers[0].n_out
100
net.layers[1].n_out
10

step 3:
仔細的推敲了原來的結構，使用如下代碼，可以更新mini_batch_size后重新計算。

net = Network(net.layers, NEW_mini_batch_size)
net2.SGD(training_data, epochs, NEW_mini_batch_size, eta,
validation_data, test_data)

看起來還不錯。

the old mini_batch_size is: 50
the new mini_batch_size is: 100
Training mini-batch number 0
Epoch 0: validation accuracy 90.53%
This is the best validation accuracy to date.
The corresponding test accuracy is 90.43%
Finished training network.
Best validation accuracy of 90.53% obtained at iteration 499
Corresponding test accuracy of 90.43%

step 4: 實現思路與代碼
每次計算完畢后，把網絡學習后的參數保存到磁盤。需要使用的時候，再讀取到內存，調整mini_batch_size（批處理大小）, eta（學習率）, epochs（迭代次數）后再進行計算。

實現代碼

#讀取網絡參數
rst_path = “rst/conv_net3.json”
pfile = open(rst_path, ‘rb’) # read current contents
net = pickle.load(pfile)
pfile.close()

#設置 批處理、學習率、迭代數等參數
mini_batch_size = 60
epochs = 5
eta = 0.1

#更新mini_batch_size和網絡參數！
#使用已有的 layers 結構和參數。
net = Network(net.layers, mini_batch_size);

#載入訓練和測試數據
training_data, validation_data, test_data = network3.load_data_shared()
net.SGD(training_data, epochs, mini_batch_size, eta,
validation_data, test_data)

#保存數據
with open(rst_path, ‘wb’) as save_file:
pickle.dump(net, save_file)
save_file.close()