2021-01-10 23:21:56

new/handson-ai-gcp/04.md

@@ -5,10 +5,10 @@
 本章将涵盖以下主题：
 
 *   Cloud AutoML 概述
-*   使用 AutoML 自然语言进行文档分类
-*   使用 AutoML Vision API 进行图像分类
+*   使用 AutoML 自然语言的文档分类
+*   使用 AutoML Vision API 的图像分类
 *   使用语音到文本 API 执行语音到文本转换。
-*   使用 AutoML 自然语言 API 进行情感分析
+*   使用 AutoML 自然语言 API 的情感分析
 
 # Cloud AutoML 概述
 

new/handson-ai-gcp/08.md

@@ -18,7 +18,7 @@
 
 *   训练机器学习模型
 *   部署训练有素的模型
-*   使用部署的模型进行预测
+*   将部署的模型用于预测
 *   通过各种参数和 KPI 监视模型使用情况
 *   模型管理以及版本控制
 

new/handson-dl-arch-py/4.md

@@ -6,10 +6,10 @@
 *   CNN 的演进之路
 *   CNN 的架构
 *   CNN 的不同层及其作用
-*   使用 CNN 进行图像分类
+*   使用 CNN 的图像分类
 *   一些著名的图像分类 CNN 架构
 *   您的第一个具有 CIFAR-10 数据集的 CNN 图像分类器
-*   使用 CNN 进行对象检测
+*   使用 CNN 的对象检测
 *   使用 CNN 的著名物体检测器
 *   您的第一个 TensorFlow 对象检测器
 

new/master-cv-tf-2x/5.md

@@ -408,7 +408,7 @@ R-CNN 和 Fast R-CNN 都依赖于选择性搜索方法来开发 2,000 个区域
 
 用于回归的特征具有相同的空间大小（高度和宽度）。 在实际图像中，特征尺寸可以不同。 通过使用具有不同回归比例和纵横比的可变包围盒大小来考虑到这一点。 RPN 和对象检测之间的卷积功能使用以下原则共享：
 
-*   RPN 使用二进制类别进行训练。
+*   RPN 将二进制类别用于训练。
 *   检测网络通过快速 R-CNN 方法进行训练，并通过使用 RPN 训练的 ImageNet 预训练模型进行初始化。
 *   通过保持共享卷积层固定并仅微调 RPN 唯一的层来初始化 RPN 训练。
 *   前面的步骤导致两个网络的共享。

new/master-cv-tf-2x/9.md

@@ -9,7 +9,7 @@
 *   人体姿势估计 – OpenPose
 *   人体姿势估计 – 栈式沙漏模型
 *   人体姿势估计 - PoseNet
-*   使用各种方法进行动作识别
+*   使用各种方法的动作识别
 
 # 人体姿势估计 – OpenPose