2021-01-21 17:31:25

new/dl-pt-workshop/4.md

@@ -608,7 +608,7 @@ test_loader = torch.utils.data.DataLoader(test_data, \
 
 能够识别图像中的物体而不管变化的 CNN 具有不变性。 实际上，CNN 对于每种类型的变化都可以是不变的。
 
-## 使用 PyTorch 进行数据扩充
+## PyTorch 数据扩充
 
 使用`Torchvision`包在 PyTorch 中执行数据扩充非常容易。 该软件包除了包含流行的数据集和模型架构之外，还包含可以在数据集上执行的常见图像转换功能。
 
@@ -723,7 +723,7 @@ test_data = datasets.CIFAR10('data', train=False, download=True, \
 
 此外，通常在卷积层以及 FC 层（不包括输出层）上执行批归一化。
 
-## 使用 PyTorch 进行批量归一化
+## PyTorch 批量归一化
 
 在 PyTorch 中，考虑到有两种不同的类型，添加批归一化就像向网络架构添加新层一样简单，如下所述：
 

new/dl-pt-workshop/6.md

@@ -248,7 +248,7 @@ for i in range(1, epochs+1):
 
 最后，计算损失函数，该函数用于更新网络参数。 然后，该过程再次开始，直到达到所需的时期数。
 
-## 活动 6.01：使用简单的 RNN 进行时间序列预测
+## 活动 6.01：使用简单 RNN 的时间序列预测
 
 对于此活动，您将使用简单的 RNN 解决时间序列问题。 让我们考虑以下情况：您的公司希望能够提前预测所有产品的需求。 这是因为生产每种产品都需要花费相当长的时间，并且该过程花费大量金钱。 因此，除非产品很可能被出售，否则他们不希望在生产上花费金钱和时间。 为了预测未来需求，他们为您提供了一个数据集，其中包含去年销售中所有产品的每周需求（在销售交易中）。 请按照以下步骤完成此活动：
 
@@ -668,7 +668,7 @@ while starter[-1] != "." and counter < 50:
 3.  只要循环和循环用于执行新字符的预测，只要字符数不超过 50，并且直到新字符是一个句点即可。
 4.  每个新字符都添加到起始句子中，以形成新的文本序列。
 
-## 活动 6.02：使用 LSTM 网络进行文本生成
+## 活动 6.02：使用 LSTM 网络的文本生成
 
 注意
 

new/dl-pt-workshop/7.md

@@ -1509,7 +1509,7 @@
 
 # 6.使用 RNN 分析数据序列
 
-## 活动 6.01：使用简单的 RNN 进行时间序列预测
+## 活动 6.01：使用简单 RNN 的时间序列预测
 
 ### 解决方案
 

new/handson-nlp-pt-1x/5.md

@@ -41,7 +41,7 @@ RNN 由循环层组成。 尽管它们在许多方面类似于标准前馈神经
 
 稍后我们将看到，我们实际上可以在每个时间步长都采用隐藏状态，而不是使用最终的隐藏状态，这对于 NLP 中的序列到序列翻译任务很有用。 但是，暂时来说，我们只是将隐藏层作为对网络其余部分的输出。
 
-## 使用 RNN 进行情感分析
+## 使用 RNN 的情感分析
 
 在情感分析的上下文中，我们的模型是根据评论的情感分析数据集训练的，该数据集由多个文本评论和 0 或 1 的标签组成，具体取决于评论是负面还是正面 。 这意味着我们的模型成为分类任务（两个类别为负/正）。 我们的句子经过一层学习的单词嵌入，以形成包含多个向量的句子的表示（每个单词一个）。 然后将这些向量顺序地馈入我们的 RNN 层，最终的隐藏状态将通过另一个全连接层。 我们的模型输出是介于 0 到 1 之间的单个值，具体取决于我们的模型是根据句子预测的是消极情感还是正面情感。 这意味着我们完整的分类模型如下所示：
 
@@ -493,7 +493,7 @@ print("Test Accuracy: {:.2f}".format(num_correct/len(test_loader.dataset)))
 
 然后，我们将模型预测与真实标签进行比较，以获得`correct_tensor`，这是一个评估我们模型的每个预测是否正确的向量。 然后，我们对该向量求和，然后将其除以其长度，以获得模型的总精度。 在这里，我们获得了 76% 的准确率。 尽管我们的模型肯定还远非完美，但鉴于我们的训练量很小且训练时间有限，这一点也不差！ 仅用于说明从 NLP 数据学习时 LSTM 的有用性。 接下来，我们将展示如何使用模型从新数据进行预测。
 
-## 使用我们的模型进行预测
+## 将我们的模型用于预测
 
 既然我们已经有了训练有素的模型，那么应该可以对一个新句子重复我们的预处理步骤，并将其传递给我们的模型，并对其情感进行预测。 我们首先创建一个函数来预处理输入句子以预测：
 

new/handson-nlp-pt-1x/6.md

@@ -495,7 +495,7 @@ print(f'\t Val. Loss: {valid_loss:.3f} |  Val. Acc: {valid_acc*100:.2f}%')
 
 值得庆幸的是，我们发现确实存在。 训练和验证损失在每个时期都会下降，准确率也会提高，这表明我们的模型确实在学习！ 经过多次训练后，我们可以采用最佳模型并进行预测。
 
-## 使用经过训练的 CNN 进行预测
+## 使用经过训练的 CNN 的预测
 
 幸运的是，使用我们训练有素的模型进行预测是一个相对简单的任务。 我们首先使用`load_state_dict`函数加载最佳模型：
 

new/pt-tut-17/02.md

-# 使用 PyTorch 进行深度学习：60 分钟的突击
+# PyTorch 深度学习：60 分钟的突击
 
 > 原文：<https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html>
 

new/pt-tut-17/27.md

-# 使用`nn.Transformer`和`torchtext`进行序列到序列建模
+# 使用`nn.Transformer`和`torchtext`的序列到序列建模
 
 > 原文：<https://pytorch.org/tutorials/beginner/transformer_tutorial.html>
 

new/pt-tut-17/28.md

-# 从零开始的 NLP：使用字符级 RNN 对名称进行分类
+# 从零开始的 NLP：使用字符级 RNN 的名称分类
 
 > 原文：<https://pytorch.org/tutorials/intermediate/char_rnn_classification_tutorial.html>
 

new/pt-tut-17/31.md

-# 使用`torchtext`进行文本分类
+# 使用`torchtext`的文本分类
 
 > 原文：<https://pytorch.org/tutorials/beginner/text_sentiment_ngrams_tutorial.html>
 

new/pt-tut-17/46.md

@@ -120,7 +120,7 @@ conda install opencv
 
 ```
 
-### 使用 CMake 进行构建
+### 将 CMake 用于构建
 
 为了使用 [CMake](https://cmake.org) 构建系统将自定义运算符构建到共享库中，我们需要编写一个简短的`CMakeLists.txt`文件并将其与我们先前的`op.cpp`文件放置在一起。 为此，让我们就一个看起来像这样的目录结构达成一致：
 
@@ -633,7 +633,7 @@ $ ./example_app example.pt
 
 第一种方法是使用 C++ 扩展程序的[方便的即时（JIT）编译界面](https://pytorch.org/docs/stable/cpp_extension.html#torch.utils.cpp_extension.load)在您首次运行 PyTorch 脚本时在后台编译代码。 第二种方法依赖于古老的`setuptools`包，并涉及编写单独的`setup.py`文件。 这样可以进行更高级的配置，并与其他基于`setuptools`的项目集成。 我们将在下面详细探讨这两种方法。
 
-### 使用 JIT 编译进行构建
+### 使用 JIT 编译的构建
 
 PyTorch C++ 扩展工具包提供的 JIT 编译功能可将自定义运算符的编译直接嵌入到您的 Python 代码中，例如 在训练脚本的顶部。
 

new/pt-tut-17/52.md

@@ -22,7 +22,7 @@ import torch.autograd.profiler as profiler
 
 ```
 
-## 使用 Profiler 进行性能调试
+## 使用 Profiler 的性能调试
 
 Profiler 有助于识别模型中的性能瓶颈。 在此示例中，我们构建了一个自定义模块，该模块执行两个子任务：
 

new/pt-tut-17/53.md

-# 使用 Ray Tune 进行超参数调整
+# 使用 Ray Tune 的超参数调整
 
 > 原文：<https://pytorch.org/tutorials/beginner/hyperparameter_tuning_tutorial.html>
 

new/pt-tut-17/57.md

-# 在 PyTorch 中使用 Eager 模式进行静态量化（beta）
+# PyTorch 中使用 Eager 模式的静态量化（beta）
 
 > 原文：<https://pytorch.org/tutorials/advanced/static_quantization_tutorial.html#>
 

new/pt-tut-17/64.md

@@ -18,7 +18,7 @@
 
 [`torch.distributed.rpc`](https://pytorch.org/docs/master/rpc.html)程序包可以帮助解决上述情况。 在情况 1 中， [RPC](https://pytorch.org/docs/master/rpc.html#rpc) 和 [RRef](https://pytorch.org/docs/master/rpc.html#rref) 允许将数据从一个工作程序发送到另一个工作程序，同时轻松引用远程数据对象。 在情况 2 中，[分布式 Autograd](https://pytorch.org/docs/master/rpc.html#distributed-autograd-framework) 和[分布式优化器](https://pytorch.org/docs/master/rpc.html#module-torch.distributed.optim)使执行反向传递和优化器步骤就像本地训练一样。 在接下来的两节中，我们将使用强化学习示例和语言模型示例来演示[`torch.distributed.rpc`](https://pytorch.org/docs/master/rpc.html)的 API。 请注意，本教程并非旨在构建最准确或最有效的模型来解决给定的问题，相反，此处的主要目标是演示如何使用[`torch.distributed.rpc`](https://pytorch.org/docs/master/rpc.html)包来构建分布式训练 应用。
 
-## 使用 RPC 和 RRef 进行分布式强化学习
+## 使用 RPC 和 RRef 的分布式强化学习
 
 本节介绍了使用 RPC 建立玩具分布式强化学习模型以解决 [OpenAI Gym](https://gym.openai.com) 中的 CartPole-v1 的步骤。 策略代码主要是从现有的单线程[示例](https://github.com/pytorch/examples/blob/master/reinforcement_learning)中借用的，如下所示。 我们将跳过`Policy`设计的详细信息，并将重点介绍 RPC 的用法。
 

new/rl-tf/02.md

@@ -136,7 +136,7 @@ Discrete(16)
 
 `Discrete(16)`输出表示冻结湖环境的观察（状态）空间是一组离散值，并具有 16 种要由代理探索的不同状态。
 
-# 使用 OpenAI Gym 环境对代理进行编程
+# 使用 OpenAI Gym 环境对代理编程
 
 本节考虑的环境是 **FrozenLake-v0**。 有关环境的实际文档可以在[这个页面](https://gym.openai.com/envs/FrozenLake-v0/)中找到。
 

new/rl-tf/03.md

@@ -223,7 +223,7 @@ MDP 试图通过将网格划分为状态，动作，模型/转换模型和奖励
 
 让我们尝试通过示例来理解这一点。
 
-# 使用 Bellman 方程进行值迭代的示例
+# 使用 Bellman 方程的值迭代的示例
 
 请考虑以下环境和给定的信息：