Minor formatting fixes in a test

test/site/content-org/all-posts.org

@@ -3257,8 +3257,8 @@ if __name__ == '__main__':
     net.gradient_descent(train_data, test_data, epoches=100, m=10, eta=2.0)
 #+END_SRC
 
-数据加载脚本：[[https://github.com/mnielsen/neural-networks-and-deep-learning/blob/master/src/mnist_loader.py][=mnist_loader.py=]]
-。输入数据为二元组列表：=(input(784,1), output(10,1))=
+数据加载脚本： [[https://github.com/mnielsen/neural-networks-and-deep-learning/blob/master/src/mnist_loader.py][=mnist_loader.py=]]
+。输入数据为二元组列表： =(input(784,1), output(10,1))=
 
 #+BEGIN_SRC sh
 $ python net.py
@@ -3515,8 +3515,8 @@ Round {30}: {9802}/{10000}
 
 可见只是简单的变更，就使准确率有了显著提高，最终收敛至98%。
 
-修改Size为=[784,128,64,10]=添加一层隐藏层，可以进一步提升测试集准确率至98.33%，
-验证集至98.24%。
+修改Size为 =[784,128,64,10]= 添加一层隐藏层，可以进一步提升测试集准确
+率至98.33%，验证集至98.24%。
 
 对于MNIST数字分类任务，目前最好的准确率为99.79%，那些识别错误的case，恐怕人类想
 要正确识别也很困难。神经网络的分类效果最新进展可以参看这里：

test/site/content/real-examples/nn-intro.md

@@ -576,8 +576,8 @@ if __name__ == '__main__':
     net.gradient_descent(train_data, test_data, epoches=100, m=10, eta=2.0)
 ```
 
-数据加载脚本：[`mnist_loader.py`](https://github.com/mnielsen/neural-networks-and-deep-learning/blob/master/src/mnist_loader.py)
-。输入数据为二元组列表：=(input(784,1), output(10,1))=
+数据加载脚本： [`mnist_loader.py`](https://github.com/mnielsen/neural-networks-and-deep-learning/blob/master/src/mnist_loader.py)
+。输入数据为二元组列表： `(input(784,1), output(10,1))`
 
 ```sh
 $ python net.py
@@ -844,8 +844,8 @@ Round {30}: {9802}/{10000}
 
 可见只是简单的变更，就使准确率有了显著提高，最终收敛至98%。
 
-修改Size为=[784,128,64,10]=添加一层隐藏层，可以进一步提升测试集准确率至98.33%，
-验证集至98.24%。
+修改Size为 `[784,128,64,10]` 添加一层隐藏层，可以进一步提升测试集准确
+率至98.33%，验证集至98.24%。
 
 对于MNIST数字分类任务，目前最好的准确率为99.79%，那些识别错误的case，恐怕人类想
 要正确识别也很困难。神经网络的分类效果最新进展可以参看这里：