2021-01-18 22:54:28

new/pt-dl-handson/1.md

@@ -133,31 +133,9 @@ with tf.Session() as sess:
 
 如果您忘记了什么是 XOR，则下表应为您提供足够的信息以从内存中重新收集它：
 
-<colgroup><col style="text-align: left"> <col style="text-align: left"> <col style="text-align: left"></colgroup> 
-| 
-
-输入
-
- | 
-
-输出值
-
- |
-| --- | --- |
-| 
-
-一种
-
- | 
-
-乙
-
- | 
-
-异或
-
- |
+| | 输入 | 输出 |
 | --- | --- | --- |
+| A | B | 异或 |
 | 0 | 0 | 0 |
 | 0 | 1 | 1 |
 | 1 | 0 | 1 |
@@ -339,20 +317,7 @@ matrix_with_zeros = torch.zeros(3,2)
 
 `rand`方法为您提供给定大小的随机矩阵，而`Tensor`函数返回未初始化的张量。 要从 Python 列表创建张量对象，请调用`torch.FloatTensor(python_list)`，它类似于`np.array(python_list)`。 `FloatTensor`是 PyTorch 支持的几种类型之一。 下表列出了可用的类型：
 
-<colgroup><col style="text-align: left"> <col style="text-align: left"> <col style="text-align: left"></colgroup> 
-| 
-
-数据类型
-
- | 
-
-CPU 张量
-
- | 
-
-GPU 张量
-
- |
+| 数据类型 | CPU 张量 | GPU 张量 |
 | --- | --- | --- |
 | 32 位浮点 | `torch.FloatTensor` | `torch.cuda.FloatTensor` |
 | 64 位浮点 | `torch.DoubleTensor` | `torch.cuda.DoubleTensor` |

new/pt-dl-handson/3.md

@@ -109,14 +109,14 @@ pip install torchvision
 | MNIST | 70,000 `28 x 28`手写数字的数据集。 |
 | KMNIST | 平假名字符的排列方式与普通 MNIST 相同。 |
 | 时尚 MNIST | 类似于 MNIST 的数据集，包含 70,000 张`28 x 28`张标记的时尚图片。 |
-| 恩尼斯 | 该数据集是一组`28 x 28`个手写字符数字。 |
-| 可可 | 大规模对象检测，分割和字幕数据集。 |
+| EMNIST | 该数据集是一组`28 x 28`个手写字符数字。 |
+| COCO | 大规模对象检测，分割和字幕数据集。 |
 | LSUN | 类似于 COCO 的大规模“场景理解挑战”数据集。 |
 | Imagenet-12 | 2012 年大规模视觉识别挑战赛的 1400 万张图像的数据集。 |
 | CIFAR | 以 10/100 类标记的 60,000 张`32 x 32`彩色图像的数据集。 |
 | STL10 | 另一个受 CIFAR 启发的图像数据集。 |
 | SVHN | 街景门牌号码的数据集，类似于 MNIST。 |
-| 摄影之旅 | 华盛顿大学提供的旅游景点数据集。 |
+| PhotoTour | 华盛顿大学提供的旅游景点数据集。 |
 
 以下代码片段给出了 MNIST 数据集的一个示例。 上表中的所有数据集都需要传递一个位置参数，即要下载的数据集所在的路径，或者如果已经下载了该数据集则用于存储该数据集的路径。 数据集的返回值将打印有关数据集状态的基本信息。 稍后，我们将使用相同的数据集来启用转换，并查看数据集输出的描述性。
 
@@ -215,19 +215,10 @@ pip install torchtext
 
 `torchtext`本身是一个包装器实用程序，而不是支持语言操作，因此这就是我在以下示例中使用 spaCy 的原因。 例如，我们使用**文本检索会议**（**TREC**）数据集，它是一个问题分类器。
 
-<colgroup><col style="text-align: left"> <col style="text-align: left"></colgroup> 
-| 
-
-文本
-
- | 
-
-标签
-
- |
+| 文本 | 标签 |
 | --- | --- |
-| 您如何测量地震？ | 数据中心 |
-| 埃灵顿公爵是谁？ | 哼 |
+| `How do you measure earthquakes?`（您如何测量地震？） | `DESC` |
+| `Who is Duke Ellington?`（埃灵顿公爵是谁？） | `HUM` |
 
 用于此类数据集上的 NLP 任务的常规数据预处理管道包括：
 

new/pt-tut-17/49.md

@@ -390,8 +390,7 @@ std::cout << x.grad() << std::endl;
 
 在较高的层次上，在 C++ 中使用 autograd 的最简单方法是先在 Python 中拥有可用的 autograd 代码，然后使用下表将您的 autograd 代码从 Python 转换为 C++：
 
-<colgroup><col width="16%"> <col width="84%"></colgroup> 
-| 蟒蛇 | C++  |
+| Python | C++ |
 | --- | --- |
 | `torch.autograd.backward` | `torch::autograd::backward`（[链接](https://pytorch.org/cppdocs/api/function_namespacetorch_1_1autograd_1afa9b5d4329085df4b6b3d4b4be48914b.html)） |
 | `torch.autograd.grad` | `torch::autograd::grad`（[链接](https://pytorch.org/cppdocs/api/function_namespacetorch_1_1autograd_1a1e03c42b14b40c306f9eb947ef842d9c.html)） |

new/pt-tut-17/63.md

@@ -109,12 +109,16 @@ def run(rank, size):
 
 当我们希望对流程的通信进行精细控制时，点对点通信非常有用。 它们可用于实现精美的算法，例如[百度的 DeepSpeech](https://github.com/baidu-research/baidu-allreduce) 或 [Facebook 的大规模实验](https://research.fb.com/publications/imagenet1kin1h/)中使用的算法。（请参阅 [4.1 节](#our-own-ring-allreduce)）
 
-## 集体交流
-
-<colgroup><col width="50%"> <col width="50%"></colgroup> 
-| [![Scatter](img/3aa3584628cb0526c8b0e9d02b15d876.png)](../_img/scatter.png)分散 | [![Gather](img/7e8670a3b7cdc7848394514ef1da090a.png)](../_img/gather.png)收集 |
-| [![Reduce](img/1c451df4406aea85e640d1ae7df6df31.png)](../_img/reduce.png)降低 | [![All-Reduce](img/0ef9693f0008d5a75aa5ac2b542b83ac.png)](../_img/all_reduce.png)全减少 |
-| [![Broadcast](img/525847c9d4b48933cb231204a2d13e0e.png)](../_img/broadcast.png)广播 | [![All-Gather](img/4a48977cd9545f897942a4a4ef1175ac.png)](../_img/all_gather.png)全聚 |
+## 集合通信
+
+| | |
+| --- | --- |
+| ![Scatter](img/3aa3584628cb0526c8b0e9d02b15d876.png) | 分散 | 
+| ![Gather](img/7e8670a3b7cdc7848394514ef1da090a.png) | 收集 |
+| ![Reduce](img/1c451df4406aea85e640d1ae7df6df31.png) | 归约 |
+| ![All-Reduce](img/0ef9693f0008d5a75aa5ac2b542b83ac.png) | 全部归约 |
+| ![Broadcast](img/525847c9d4b48933cb231204a2d13e0e.png) | 广播 | 
+| ![All-Gather](img/4a48977cd9545f897942a4a4ef1175ac.png) | 全部收集 |
 
 与点对点通信相反，集合允许跨**组**中所有进程的通信模式。 小组是我们所有过程的子集。 要创建组，我们可以将等级列表传递给`dist.new_group(group)`。 默认情况下，集合在所有进程（也称为**世界**）上执行。 例如，为了获得所有过程中所有张量的总和，我们可以使用`dist.all_reduce(tensor, op, group)`集合。