ARTICLE · 1310287
DIA-NN 引擎源码考古 · 1.7.12 · 第四回 · 打分不算完,越揉越靠谱 ~
上一回 《DIA-NN 引擎源码考古 · 1.7.12 · 第三回 · 候选排队过堂，证据都在峰里》，咱们把一条候选在一轮检索里的路走完了：找位置、取曲线、认峰、打分、选峰。每个候选都拿到了自己的最优峰，也拿到了一摞 110 维的证据和一个总分。
可文章结尾小编就说过，分打完了，事儿没完，还欠着三笔账：分数折算用的那套权重从哪儿来？所有候选排到一条队上，可信度怎么算？还有校准，上一回 RT 窗口怎么算的、扫描半径什么时候定死，都留给了校准。
这一回就把这三笔账一次结清，外加把它们串起来的那台机器：学权重、算 q 值、做校准，三个部件，装进一个循环里反复转。
本篇范围
这一篇只讲打分之后的下半场，权重怎么学、q 值怎么算、校准怎么对表、循环怎么转。干扰怎么精修、定量结果怎么产出，不在这一篇，留给后续文章。
起手：一轮检索的下半场
上一回的结尾，小编留过一句 "分打完了，事儿没完"，现在就来对对账：这没完的事儿到底是啥？说白了就是开头欠下的那三笔：打分用的权重从哪儿来、一队候选的可信度怎么算、校准又在对什么表。三笔账都记在 "打分之后" 的下半场里，咱们一笔一笔地来。
不过在动手算账之前，得先认识一下管账的人。上一回讲的 search()，说到底只是个干活的工序，它只负责 "按当前的规则打分"，可规则本身（每维证据值多少钱）它管不着。真正管规则的，是 update_classifier()（L9670）。这个函数像个班组长，一轮的下半场由它主持，手头有这么几摊活：重新过堂挑峰、抄一份存档、学一套新定价表、给全场上户口。下面按代码里的先后，一摊一摊看过去。
头一摊：重新过堂，挑出各自的最优峰
seek_precursors()（L9682）干的就是这摊活。镜头先从代码拉回实验台，做过液质联用的都熟这个画面：一条肽段跟着流动相洗脱下来，在质谱里被检出；把这条候选的离子信号沿时间轴铺开，就是它的提取离子色谱。真正洗脱的那一刻，信号会实打实地鼓起一个包。这个 "峰"，就是它在本次进样里的一次露头。
可真实数据没那么干净：一条候选的曲线上往往不止一个包，有的是共流出的离子凑热闹，有的是噪声鼓的小包，也有的确实就是它自己。哪个包才算数？靠肉眼挑可不靠谱。引擎的办法是逐个过秤：曲线上每一个峰都算一摞 110 维证据（峰形长得正不正、时间对不对得上、谱图像不像），再按 "每维证据值多少钱" 折成一个总分。
分最高的那个峰，就是这条候选的最优峰：引擎认定 "就是它了"，这条候选的成绩和那一摞证据，全记在这个峰头上（上一回 "认峰、打分、选峰" 讲的就是这个挑法）。"各自" 的意思是每条候选各挑各的，你的最优峰和我的互不相干。
可挑峰的秤（权重）是会变的，第三摊马上就要学一套新的。秤一变，每个峰的分数跟着变，原来的第一名说不定就易主了。所以每轮开头都得重新过一遍堂：拿当前的秤给所有峰重新打分，重新选出各自的最优峰。
放心，重新的只是打分和挑峰，挖好的峰和证据不动，靠的是第三回埋的那条伏笔：峰和 110 维特征只挖一次（fInit 缓存），权重一换，seek() 只需拿新权重对缓存的特征重新点一次积（L8136）。反正证据不用重挖，重算的只是 "怎么给证据定价"，这是后面所有 "反复" 能够便宜行事的前提。
第二摊：抄一份定价表存档
copy_weights()（L9683–L9684）干的就是这摊活：把这轮打分用的定价表原样抄一份存档。定价表就是权重，110 维证据各占多少分量，相当于批卷子用的评分标准。每轮学新标准之前先抄一份留底，将来论功行赏、翻车回滚都从这份存档起算，它是在为谁打底，到 "循环" 一节见分晓。
第三摊：学一套新定价表
fit_weights()（L9690）干的就是这摊活：拿这轮的成绩单当教材，学一套新定价表。教材是这轮 Target 和 Decoy 陪练对的答卷，真目标比诱饵高在哪、高多少，一维一维都是线索；怎么拿线索反推 "每维证据该值多少钱"，是下一节 "学权重" 的正题。
第四摊：重折分数，给全场上户口
calculate_qvalues()（L9691）干的就是这摊活：用新定价表把所有候选的分数重折一遍，再给全场上户口，全部候选按新分数排成一条长队，靠混在队伍里的诱饵反推错判率，给每条候选盖一个可信度戳（q 值）。这一手 "让诱饵自己报错判率"，正是 "q 值" 一节的正题。
四摊活看完，跟开头那三笔账正好对上：学新定价表是 "权重" 那笔账，给全场上户口是 "q 值" 那笔账；挑峰和存档这两摊，则是后面那台循环机器的零件。剩下两节各有各的正题："校准" 结第三笔账，它不在这四摊里，是按轮次插进来跑的另一桩活，拿高置信的真目标把时间表（RT）和质量表（m/z）各对一次；"循环" 讲那台机器本身，三笔账连同这份存档装进去反复转十二圈，怎么分工、什么时候翻面、怎么论功行赏，全在那儿。
学权重：拿 "该过" 和 "不该过" 的对比解方程
教材：诱饵怎么造
权重的教材，是 Target-Decoy 对照，这套对照前面几回都露过面：每条真序列（Target）旁边都陪着一条造出来的假序列（Decoy），假的和真的一起下锅、一起找峰、一起打分。这套对照怎么靠它算 FDR，之前专门写过一篇科普：《质谱鉴定的 「打假办」，FDR：我来算算这伙里面骗子占多少！》。
可还有一件事科普替不了，那就是 这假货具体是怎么造的。第二回只留过一句 "跟常规的序列反转不是同一种造法"，这里按 1.7.12 的源码把话头接上：它的造饵路数，跟早年软件那套 reverse（反转序列）的策略，从根上就不一样。
早年主流搜索引擎（SEQUEST、Mascot、MaxQuant 那一路）的常规造法是蛋白级反转：把整条蛋白的序列倒过来排，再拿同一把刀酶切，还是胰蛋白酶在 K、R 后面下刀，假肽段照样以 K、R 收尾。可序列一倒，K、R 的前后位置挪了窝，酶切位点、肽段边界跟着重排，切出来的是另一批假肽段，假货是 "新造的一条序列"。
DIA-NN 1.7.12 默认不走这条路。它的造法只有一招，可这招相当刁钻（generate_decoy，L3590–L3653）。说白了就是 序列一个字不动，只把碎片的质量整体挪个窝，名字叫 "伪突变"。
具体这么造：引擎先把 Target 原样拷一份当 Decoy（L3593），肽段名、氨基酸序列、前体 m/z、预测保留时间，全部照抄。然后在肽段两头各假想一处突变。挑位点有讲究：不挑最末端，而是两头各往里一个，N 端第 2 个、C 端倒数第 2 个（L3626–L3636）；末端残基常挂着修饰，往里挪一个躲开它，真被修饰占了才退到末端。
突变成什么？对照表 MutateAAto 给 20 种氨基酸各配了一个假想去处（L1369–L1370）：比如 V 和 L、N 和 Q、D 和 E 两两互换，质量差恒是 ±14.02 Da，恰一个 CH₂ 的分量；也有的单向换，比如 A 假想换成 L。
突变本身是假想的，序列一个字不改，只把置换的精确质量差记下来：N 端那处的记作 N_shift，C 端那处的记作 C_shift（譬如下文配图里面：N 端第 2 个 A→L，N_shift＝＋42.05；C 端倒数第 2 个 P→L，C_shift＝＋16.03）。
接着给碎片挪窝：假想突变在 N 端那头，就只挪 b 离子（带 N 端的半边碎片），统一加 N_shift/z；在 C 端那头的只挪 y 离子，统一加 C_shift/z（L3638–L3642）。序列、前体全没变，变的只有碎片该去 m/z 轴上哪个位置报到。
这门手艺有三处心思。一是 1:1 是结构性的：每条 Target 恰配一条 Decoy（Entry 里 target, decoy 并排声明，L3564），没有 "造几倍饵" 的旋钮。
靶饵 1:1 本是 Target-Decoy 的老规矩，两条路都守，差在守的层面。老办法守在蛋白层面：蛋白条数、氨基酸总数严格对得齐；可肽段层面就不一定了，倒排重切出来的是另一批肽段，条数对不齐、去重后构成还有出入，算 FDR 得按 "有效大小" 再校一道。DIA-NN 干脆守到每一条，一条对一条配死，不多不少。
造假的逻辑也不一样：传统是 "换条假序列从头再来"，DIA-NN 是 "同一条序列，把证据挪到查不到东西的地方"。
二是挪窝的幅度是挑过的：假想突变的质量差从 −85 到 +56 Da 不等（W→T 最大，G→L 次之，摊到电荷上更小），碎片不会挪出仪器的采集范围，只会挪出真实碎片该在的位置，真肽段的信号峰盖不到它，Decoy 想拿高分，只能指望噪声峰侥幸凑合。
三是靶饵共享一切先验：同样的质量、同样的预测 RT、同样的搜索窗，挑假想突变位点时还特意绕开带修饰的残基（L3624–L3636），两伙的差别只剩碎片证据一样，对打比出来的才是谱证据的真假区分力。
引擎另留了一个备选开关 --reverse-decoys（L1850），走的是 "伪反转"：序列内部倒排（首尾不动），碎片按倒排后的新序列重算（L3643–L3652）。可它只是备选，默认路数就是上面那套伪突变。假货的门道看完了，本篇只用它一个性质，就是 Decoy 是明知是假的。明知是假的还拿到高分，说明这套打分规则漏了。
第一级：解方程定权重
教材备好了，回头看第一级，线性分类器：110 维证据各乘一个权重、加成总分。这权重怎么学出来？fit_weights()（L9281）的思路就是这么朴素。它先扫一遍所有候选，只收 Target 和 Decoy 都找到了峰的那些条目（L9364），一对一的 "陪练对"。对每一对，逐维记下 Target 比 Decoy 高多少分（L9366–L9369），最后平均，得到一张 110 维的 "平均差距表"：这一维上，真目标平均比诱饵高几分。
光有差距表还不够，还得知道每一维自己有多 "抖"。抖得厉害的维度，单看一次高下说明不了什么。所以第二遍扫描把差距表升格成方程组：一边是 "各维之间的波动怎么互相牵连"（A，一个 110×110 的方阵，L9284），一边是刚才那张平均差距表（b，L9285、L9414–L9415）。
解这个方程组（A·w = b，Eigen 全主元 Householder QR 求解，L1051–L1055），得到的 w 就是新权重，它保证：顺着这个方向把 110 维证据折起来，真目标和诱饵的分离度最大。
这套解法有个正式名号，叫 Fisher 线性判别。不过对咱们做分析的人来说，名字不重要，思路一句话就能记住，那就是 让真目标和诱饵在同一套标准下对打，打出来的差距就是权重。造 Decoy 花的那点功夫，在这里先收回一笔，没有这帮陪练，权重根本没处学（更大的一笔，到 "q 值" 一节才算）。
两个细节值得单说。一是门槛：配对少于 20 对，方程组根本不成形，这一轮直接放弃学权重（L9375–L9378），把权重重置回默认，只留头一维，其余全归零（reset_weights，L6585–L6589），接着转，宁可慢一点也不瞎学。
二是 110 维并不全员参战。每一维都在一张 "课程表" 上（pars，L6606–L6658），标着自己从第几轮起才准学习：最早的一批（共洗脱相关等 4 维）第 0 轮就能学；另一大拨（余弦相似度、质量偏差、出峰时间偏差等）要等校准收工再过两轮（CalibrationIter + 2，也就是第 6 轮）才放开，校准没做完，这些维度自己都还没对准表，学了也是白学；还有一批（预测 RT 位置、参考谱强度这些）从头到尾不学，它们是先验或中间量，学了反而添乱。
第二级：一排小神经网络
线性权重讲完了，该轮到那个 "招牌" 登场了。第一回就盘点过：DIA-NN 名气挂在神经网络上，可神经网络在引擎里统共只占约 240 行。那 240 行在哪儿？就在这儿，try_nn（L9436），而且是第二级。
线性分类器先干到第 10 轮（nnIter - 1，nnIter 默认 11，L122）。到了第 11 轮，引擎才亮出神经网络的家底：NNClassifier（L6277），手头是 12 个小网络（nnBagging = 12，L191），每个网络的构造都一样：110 维输入，5 个隐藏层（宽度依次 25、20、15、10、5，L6300），tanh 激活（L6301），最后 softmax 二选一输出（L6310），交叉熵损失（L6312），Adam 优化器（L6317）。
训练就一个来回（nnEpochs = 1，L192），这套网络本来就小，教材也只是手头已找到峰的鉴定（默认还会剔掉带小修饰的肽，nnFilter，L196、L9346），高置信度那道门槛管的是够不够格开训，并不逐条挑教材。
12 个网络用的教材相同、随机种子不同（L6311），等于 12 个学生用同一本笔记各自复习。打分时，每个网络对每条候选独立给一个 "是真目标" 的概率（L9468–L9490），最后把 12 个概率平均（L9514–L9526），当这个候选的分数。一排学生投票，总比一个学生单点可靠。
开训也有硬门槛：q ≤ 0.5 的真目标不足 200 条且 q ≤ 0.1 的也不足 100 条（两道线一道都没过），或者诱饵不足 100 条，这一轮就干脆不训网络（L9438–L9441），样本太少，网络学到的只会是噪声。
另外还有个 "交叉验证" 开关（--nn-cross-val，默认关，L197）：关着的时候，12 个网络全员用全部样本训练、也全员在全部样本上打分，纯粹靠种子不同凑多样性；打开后，nnBagging 被强制成 4 的倍数（L2226–L2227），每 4 个网络成一组，组内轮流扣出一部分样本不给自己训练、专门留着给它打分（L9322–L9328），训练和考试分开，防的是背题。
小编碎碎念：讲到这儿，第一回立的那个 "招牌与实物" 的账才算彻底对平，神经网络确实有，而且是十二个一起上；但它排在线性分类器后面，线性先把 10 轮的活干完，它才登台加一把劲。叫它 "锦上添花"，不算委屈它。
q 值：让诱饵自己报错判率
权重换新的了，分数也重折了，接下来这步是给全场上户口：calculate_qvalues()（L9532）。
它干的事，说穿了简单得很：把所有找到了峰的候选按分数排成一条长队，然后从队尾往队头数，数诱饵（源码里真目标、诱饵各排一条队，对着同一条分数线各数各的，跟混排一条长队数出来一模一样）。排在某个位置上，往上（分数更高的那半边）数，一共多少个真目标、多少个诱饵；这个位置的错判率，就是诱饵数除以真目标数（L9585–L9594），分子分母都至少垫 1（防的是除零），最多记 1。
这个比值有个学名，就是那篇 "打假办" FDR 科普算的 FDR（错误发现率），分数线以上这一批里，骗子占多少。
不过 FDR 记的是一整批的账，还得按条落名才算到每条候选头上。
把分数线定在某个位置上时的 FDR，就是排在这个位置上的候选的 q 值。
所以 q 值不是另起的一本账，也不是 FDR 之外的新概念，它是同一笔账按条记的版本。FDR 记在门槛上，q 值记在每一条上。
道理还是那个朴素的道理：诱饵是假的。如果高分区里混进的诱饵多，说明这套标准下 "高分" 不值钱，这一段的鉴定整体可疑；诱饵越稀薄，前面这段越可信。所以 q 值 0.01 的意思就是：按这个分数线往上收，收进来的东西里，错判率估计不超过百分之一。 Target-Decoy 这套对照，从造出来到派上用场，等的就是这一下，前面几回它一直在名单里陪跑，到这里才真正开始算账。
逐位置算出来的错判率还不能直接当 q 值用：比例天然上下乱跳，一个位置比前一个位置 "更可信却算出更高的错判率"，逻辑上说不通。所以算完还要顺一遍，保证沿队伍只降不升（L9601–L9616），捋直的这一串才是每条的 q 值，回写到各条头上。
最后按几道常用的门槛分别数数存档：q ≤ 0.5、0.1、0.01、0.001 各记一个数（Ids50、Ids10、Ids1、Ids01，L9635–L9640），循环机器待会儿就是拿这几个数当仪表盘的。
这里还藏着一个保险丝。神经网络是第 11 轮才上场的，可万一它登台之后 Ids10（10% 门槛下认下的条数）还不如登台之前线性分类器的战绩（这个战绩在第 10 轮就锁了档，L9666），或者 Ids1 掉得更狠、或者 Ids10 压根不足 100 条（L9648–L9650）？
引擎不恋战：把网络训练标记一撤，整轮按线性结果重算（L9648–L9654）。
招牌是招牌，账是账，转不动就退货，绝不为了面子硬上。
校准：RT 和质量，各对一次表
第三个部件是校准，落在 update()（L9694）。校准校的是两张表：一张是时间表（RT），一张是质量表（m/z）。
时间表校的是 "库里说它第几秒出峰" 和 "它实际第几秒出峰" 的对应关系。做法是先攒对子：凡是可信度够高（q ≤ 0.1）或分数够高的真目标（L9707–L9714），把它的库 iRT 和实测 RT 组成一对存起来（L9726–L9728），一条候选一个点。点攒够了，用分段三次 Hermite 样条把它们连成一条映射曲线（map_RT，L1184；spline，L1099–L1151）。
拟合分两遍：先按全部点连一条线，算出每点的偏差，把偏差最大的那 20% 扔掉，再连一遍（L1185–L1201），头一遍里混着的脏点，第二遍就不作数了。分几段也不固定：样本少就少分几段，最多 20 段（L9732）。
这条曲线就是引擎的 "换算表"。预测 RT 一律拿库 iRT 过一遍这张表（L7180），换算成本次进样时间轴上的刻度。第三回那个没有 GUI 旋钮的 RT 窗口，也是在这次校准里用残差算出来的（那笔账第三回已结，不重复）。顺手还有一件事在这里定死：扫描半径，拿可信鉴定的峰宽平均一下、乘个系数，一次定死、全程通用（L9763–L9772）。
质量表校的是 m/z 的系统偏差。做法同样朴素：拿高置信度鉴定里实测与理论的质量差，拟合一条校正曲线（L9842–L9872）。这曲线默认不带 RT 漂移，引擎留了按 RT 分箱、箱间插值的机关（L9823–L9831），可箱数上限默认只给一箱（MassCalBinsMax，L162）；要它按 RT 分段漂移，得拧开 --mass-cal-bins 旋钮（L2143），点数还得够（每箱至少约 500 条）。
校正完，重新统计残差，取 70% 分位定为新的质量精度（MassAccuracy，L9889–L9890），意思是 "七成的鉴定，校正后偏差都在这个数以内"。
还有一条纪律：如果校完七成分位反而变大，这套校正直接弃用（L9910–L9924），校准不是走过场，校得更糟就当没校。
两个 RT 别混
这里拟合的样条，是 "库 iRT → 本次进样实测 RT" 的校准对表。它跟引擎里那条给候选报 "理论出峰位置" 的预测线（第一回点过名的
predict_irt，按氨基酸逐项加和的线性模型，不是深度学习）不是一回事，预测线报点，校准对表，各管一段。顺带说清一件事："库 iRT" 这列数字的来历分两种，library-based 是谱库实验攒的，library-free 是模型算出来的（预测库直接报 iRT，FASTA 条目走predict_irt）。列的来历不同，对表这一套校准策略却完全一样。
循环：一台转十二圈的机器
三个部件都齐了，现在拆那台机器：process()（L10356）。
它不是均匀地转十二圈，而是把十二圈（iN = 12，L121）切成了几段，每段干的活不一样：圈 1–4 边批边判做校准，圈 5–10 线性主场论功行赏，圈 11 换网络，圈 12 收官结算。底下按段拆开看。
圈 1–4：校准冲刺，边批边判
开局是 "校准冲刺"：批次一批一批地往下过，每批先学一遍权重、重数一遍 q 值（update_classifier(true, …)，L10382）；攒够 1000 条 10% 门槛内的鉴定（ids = Ids10，L10382；MinCal，L243），并且能喂给质量校准的那部分鉴定（q ≤ 0.1 且质量偏差不为零，L9636）也过半（IdsCal ≥ MinCal/2，L10390），才跳出批循环。
跳出后先补跑档位 3、4（L10407），再一次性把时间表和质量表立起来（L10410–L10418），校准这两张表，正是上一节那套活。
要是攒不够 1000 呢？攒到 100 条（MinCalRec，L242）就不再往下等，带着这批数据推倒重来；重来前还顺手把质量精度放大 5 倍给下一次留余量（MassAccuracy = Min(CalibrationMassAccuracy, MassAccuracy * 5.0)，L10399，封顶 100 ppm；MS1 同此，L10400；整块在 L10394–L10405）。表立住了，才轮到真正的主菜。
圈 5–10：线性主场，论功行赏
第 5 到第 10 轮是线性分类器的主场，但三段干法不一样。第 5 轮是入场（轮次档位拨到 CalibrationIter + 1，L10439）：还是一批一批地过，每批打完分，先把这轮打分用的权重和战绩存成 best_weights、best_ids（L10441），存的是打分用的那套，不是刚学出来的那套。
再看要不要停，10% 门槛内的鉴定数过 2000（MinClassifier，L244；L10443），或者这一批已经走过校准用的那几批（acc_calibrated && curr_batch >= cal_batch，L10444），就停。
等到第 6 轮正式开局前，这两样还会按同样的规矩再重设一遍（L10483），论功行赏真正从那儿起算。
第 6 到第 9 轮才是论功行赏的循环体（for (; curr_iter < nnIter - 1; curr_iter++)，L10484；nnIter 默认 11，所以循环体最多走到第 9 轮）。
每一轮学新权重之前，update_classifier() 会先把这轮打分用的权重抄一份快照（起手埋的那份 selection_weights，L9683）；打完拿 10% 门槛下的战绩（Ids10，L9638）跟 best_ids 比：没退步（持平也算），快照升格成 best_weights（L10497–L10498）；退步了，把权重拨回 best_weights 重学补救，回滚退的就是它（L10500–L10511）。
第 6 轮还多一摊活，但只在质量校准到位、又没被 ForceMassAcc 强制指定时才做（if (acc_calibrated && !ForceMassAcc)，L10447）：正式开局前先爬一遍质量精度，从当前精度起每次乘 1.2 往上试，一旦超过起点的 10 倍就停，连着三次不见涨也停，最后回到试得最好的那一档（L10448–L10463）。
清零重学一遍要是还不如，就把 par_limit 打开、收窄分类器可用的权重（L10469–L10472），顺手把这一档记成全局质量精度（L10475）。
不过这场论功行赏不恋战：失手要记档，补救一回之后不论结果，就把档位直接拨到 nnIter - 1、跳过剩下的轮次（L10512–L10515）；唯一的例外在第 6 轮，头一回失手不记档，改为收窄分类器可用的权重（L10503–L10505）。
更有意思的是它还有后手，线性分类器本身有两种构造（LDA 开关，L6529），这一路不灵就翻到另一路重学，最多翻三次（switched <= 2，L10486–L10495）。
循环退出时档位停在 nnIter - 1，也就是第 10 轮；这里先把权重拨回最好的那套（copy_weights(weights, best_weights)，L10524），这一步是无条件执行的，上面那个 if (Batches > 1)（L10518）里只包着 assert(nnIter >= iN - 1) 和 free_precursors()（L10519–L10521）。
拨回之后再跑一次 update_classifier() 收尾（L10545），顺手把线性战绩记下来（L9666），留着跟网络版比高低。
圈 11–12：换网络，收官结算
第 11 轮，档位拨到 nnIter（L10560，默认 11）：先做特征标准化（if (Standardise)，L10574，默认开着），再让 "学权重" 那一排十二个网络登台训练、重打分数（fit_weights、calculate_qvalues，L10575–L10576）。这个十二是网络个数，跟圈数无关，下一条注细说。
默认 11 < 12，所以这一轮训练会跑；真把 --nn-iter 调到 12，L10563 的 curr_iter >= iN 就成立，直接跳过训练去出报告（L10564–L10571）。
最后一圈把档位拨到 iN = 12（L10581）：出蛋白 q 值（L10583）、跑定量（L10585–L10586）；报告文件不在这一节里写，由主程序最后写出（L11160–L11162）。
转几圈，谁说了算
整个循环的节奏，全看三个数：CalibrationIter = 4（校准阶段转到第几轮收）、nnIter = 11（第几轮换神经网络）、iN = 12（一共转几圈）。
这三个数在源码里有出厂默认（L121–L122、L214）。其中总圈数和换网轮次有命令行旋钮（--iter、--nn-iter，L2071、L2101），可两个旋钮都带着跟校准圈数挂钩的下限（CalibrationIter + 4 与 CalibrationIter + 3），校准圈数本身则是源码常量（const，L214），没有旋钮。
三只还互相夹着，nnIter 被夹在校准阶段和总圈数之间（L2224），默认的批处理模式下还会被再抬到至少 "总圈数减一"（L2229），换网这旋钮真正能挪的，只剩最后两个轮次。
两个 12 别混
"转十二圈" 的 12 和 "十二个网络" 的 12，是两个互不相干的旋钮，数字撞车而已：圈数是
iN（L121，命令行--iter，L2071），网络个数是nnBagging（L191，--nn-bagging，L2103）。圈数改成 20，网络还是 12 个；网络改成 8 个，圈还是 12 圈。跟圈数挂钩的是nnIter（第几轮换网络），它被夹在校准阶段和总圈数之间（L2224），跟网络个数没有关系。
界面上，"Use neural networks" 勾选框管神经网络的总开关（默认勾选，不勾就下发 --no-nn），"RT profiling" 管二轮 iRT 精修；至于转几圈，界面没给入口，只能从 "Additional options" 手工传参。
写在后面
到这里，第三回收尾欠的三笔账全部结清：权重是拿真目标和诱饵对打学出来的，q 值是让诱饵自己报错判率报出来的，校准是拿高置信鉴定把时间和质量两张表对出来的。而这三个部件不是各干一票就散，它们被 process() 串成一台循环机器，转十二圈，每圈换一次定价、重排一次队伍、再校一次表。
回头看这条链，最讨人喜欢的一点是它不逞强：学不动、训不好、校得更糟，机器都宁可退回去不硬来，"不如不动" 这四个字，它是当真的。
所以这一回的标题说 "越揉越靠谱"，揉的其实不是同一个动作转十二遍，而是每圈都在换着法子把标准往准里掰。对做原始数据分析来说，这道理不陌生：一次比对说明不了什么，反复校过表、对过陪练的标准，才敢拿去下结论。
干扰怎么精修、定量结果怎么产出，是这台机器吐出结果之前的最后一道工序，留待后续文章接着聊。
如果这篇对各位观众老爷有用，请伸出您尊贵的小手点个赞，小编也有更多的动力接着往下写 ~
