4e-6e feedback

chapter_appendix/math.md

@@ -283,7 +283,7 @@ $$
 \end{bmatrix},
 $$
 
-其中二阶偏导数
+其中二阶偏导数为
 
 $$\frac{\partial^2 f}{\partial x_i \partial x_j} = \frac{\partial }{\partial x_j} \left(\frac{\partial f}{ \partial x_i}\right).$$
 

chapter_computer-vision/fcn.md

@@ -206,7 +206,7 @@ def label2image(pred):
 
 测试数据集中的图像大小和形状各异。由于模型使用了步幅为32的转置卷积层，当输入图像的高或宽无法被32整除时，转置卷积层输出的高或宽会与输入图像的尺寸有偏差。为了解决这个问题，我们可以在图像中截取多块高和宽为32的整数倍的矩形区域，并分别对这些区域中的像素做前向计算。这些区域的并集需要完整覆盖输入图像。当一个像素被多个区域所覆盖时，它在不同区域前向计算中转置卷积层输出的平均值可以作为softmax运算的输入，从而预测类别。
 
-简单起见，我们只读取几张较大的测试图像，并从图像的左上角开始截取形状为$320\times480$的区域：只有该区域用来预测。对于输入图像，我们先打印截取的区域，再打印预测结果，最后打印标注的类别。
+简单起见，我们只读取几张较大的测试图像，并从图像的左上角开始截取形状为$320\times480$的区域：只有该区域用于预测。对于输入图像，我们先打印截取的区域，再打印预测结果，最后打印标注的类别。
 
 ```{.python .input  n=15}
 test_images, test_labels = d2l.read_voc_images(is_train=False)

chapter_deep-learning-basics/mlp.md

@@ -86,7 +86,7 @@ with autograd.record():
 xyplot(x, y, 'sigmoid')
 ```
 
-依据链式法则，sigmoid函数的导数
+依据链式法则，sigmoid函数的导数为
 
 $$\text{sigmoid}'(x) = \text{sigmoid}(x)\left(1-\text{sigmoid}(x)\right).$$
 
@@ -112,7 +112,7 @@ with autograd.record():
 xyplot(x, y, 'tanh')
 ```
 
-依据链式法则，tanh函数的导数
+依据链式法则，tanh函数的导数为
 
 $$\text{tanh}'(x) = 1 - \text{tanh}^2(x).$$
 

chapter_preface/preface.md

@@ -64,9 +64,9 @@
 最后，我们要感谢我们的家人。谢谢你们一直陪伴着我们。
 
 
-## 教学资源和反馈
+## 教学资源、计算资源和反馈
 
-本书的英文版Dive into Deep Learning是加州大学伯克利分校2019年春学期“Introduction to Deep Learning”（深度学习导论）课程的教材。截至2019年春学期，本书中的内容已被全球15所知名大学用于教学。本书的学习社区、免费教学资源（课件、教学视频、更多习题等），以及用于本书学习或教学的免费计算资源（仅限学生和老师）的申请方法在本书网站 https://zh.d2l.ai 上发布。诚然，将算法、公式、图片、代码和样例统一进一本适合阅读的书，而且又是一系列有交互式体验的Jupyter记事本，是对我们极大的挑战。书中难免有很多疏忽的地方，敬请大家原谅，并希望你能通过每一节后面的二维码向我们反馈问题。
+本书的英文版Dive into Deep Learning是加州大学伯克利分校2019年春学期“Introduction to Deep Learning”（深度学习导论）课程的教材。同时，截至2019年春学期，本书中英文版的内容已被全球15所知名大学用于教学。本书的学习社区、免费教学资源（课件、教学视频、更多习题等），以及用于本书学习或教学的免费计算资源（仅限学生和老师）的申请方法在本书网站 https://zh.d2l.ai 上发布。诚然，将算法、公式、图片、代码和样例统一进一本适合阅读的书，并以具有交互式体验的Jupyter记事本文件的形式提供给读者，是对我们的极大挑战。书中难免有很多疏忽的地方，敬请原谅，并希望读者能通过每一节后面的二维码向我们反馈阅读本书过程中发现的问题。
 
 结尾处，附上陆游的一句诗作为勉励：
 
@@ -75,4 +75,4 @@
 
 阿斯顿·张、李沐、扎卡里 C. 立顿、亚历山大 J. 斯莫拉
 
-2019年4月
+2019年5月

chapter_recurrent-neural-networks/lang-model-dataset.md

-# 语言模型数据集（周杰伦专辑歌词）
+# 语言模型数据集（歌词）
 
 本节将介绍如何预处理一个语言模型数据集，并将其转换成字符级循环神经网络所需要的输入格式。为此，我们收集了周杰伦从第一张专辑《Jay》到第十张专辑《跨时代》中的歌词，并在后面几节里应用循环神经网络来训练一个语言模型。当模型训练好后，我们就可以用这个模型来创作歌词。