2020-12-12 11:26:43

new/handson-unsup-learn-py/02.md

@@ -484,7 +484,7 @@ print(sdff[['perimeter_mean', 'area_mean', 'smoothness_mean',
 
 ![](img/b8423040-7648-4750-b1cf-f050766763e9.png)
 
-很容易理解，当`H(Y[pred] | Y[true]) → 0`* 时， `Y[true]`减少了预测的不确定性，因此，`c → 1`。 这等同于说所有具有相同真实标签的样本都分配给同一群集。 相反，当`H(Y[pred] | Y[true]) → H(Y[pred])`，这意味着真实情况没有提供任何信息，可以减少预测的不确定性，`c → 0`。
+很容易理解，当`H(Y[pred] | Y[true]) → 0`时， `Y[true]`减少了预测的不确定性，因此，`c → 1`。 这等同于说所有具有相同真实标签的样本都分配给同一群集。 相反，当`H(Y[pred] | Y[true]) → H(Y[pred])`，这意味着真实情况没有提供任何信息，可以减少预测的不确定性，`c → 0`。
 
 当然，良好的聚类的特征是`c → 1`。 对于乳腺癌威斯康星州数据集，使用 scikit-learn 函数`completenss_score()`（也适用于文本标签）和`K = 2`计算**完整性评分**（ 与地面真相相关的唯一配置）如下：
 

new/handson-unsup-learn-py/06.md

@@ -666,7 +666,7 @@ p = 0.00000 - High risk
 
 线性单类 SVM 方案：训练集与原点分开，具有最大的边距
 
-训练模型以找出使距原点的距离最大的超平面参数。 超平面一侧的所有样本均应为离群值，输出标签为 **+1** ，而其余所有样本均被视为离群值，并且输出标签为 *`-1`* 。 此标准似乎有效，但仅适用于线性可分离的数据集。 标准 SVM 通过将数据集（通过函数`$1`）投影到特征空间 D 上来解决此问题，在该特征空间 D 中，它获得了这样的属性：
+训练模型以找出使距原点的距离最大的超平面参数。 超平面一侧的所有样本均应为离群值，输出标签为 **+1** ，而其余所有样本均被视为离群值，并且输出标签为`-1`。 此标准似乎有效，但仅适用于线性可分离的数据集。 标准 SVM 通过将数据集（通过函数`$1`）投影到特征空间 D 上来解决此问题，在该特征空间 D 中，它获得了这样的属性：
 
 ![](img/7fde64b8-0a5e-4248-b156-7ac3ec831820.png)
 
@@ -698,7 +698,7 @@ p = 0.00000 - High risk
 
 支持向量机中的决策过程
 
-权向量正交于分离超平面。 样本`x`[`i`] 被确定为一个惯常值，因为点积为正且大于阈值*ρ*。 相反， *`x[j]`* 被标记为异常值，因为决策函数的符号为负。 术语*ξ [i] （ξ [i] ≥0）*被称为松弛变量，它们的引入是为了使异常值和 内线 实际上，如果这些变量都等于零（并且为简单起见， *ρ= 1* ），则优化问题的条件变为：
+权向量正交于分离超平面。 样本`x`[`i`] 被确定为一个惯常值，因为点积为正且大于阈值*ρ*。 相反，`x[j]`被标记为异常值，因为决策函数的符号为负。 术语*ξ [i] （ξ [i] ≥0）*被称为松弛变量，它们的引入是为了使异常值和 内线 实际上，如果这些变量都等于零（并且为简单起见， *ρ= 1* ），则优化问题的条件变为：
 
 ![](img/5a35ab70-84af-4bd0-aec6-dc88a81ec8ad.png)
 

new/intel-mobi-proj-tf/05.md

@@ -635,7 +635,7 @@ $ grep 'REGISTER.*"DecodeWav"' tensorflow/core/kernels/*.cc
 tensorflow/core/kernels/decode_wav_op.cc:REGISTER_KERNEL_BUILDER(Name("DecodeWav").Device(DEVICE_CPU), DecodeWavOp);
 ```
 
-在 TensorFlow 1.4 的 `tf_op_files.txt`文件中，已经有一行文本`tensorflow/core/kernels/decode_wav_op.cc`，但可以肯定的是`tensorflow/core/ops/audio_ops.cc`丢失了。 我们需要做的就是在`tf_op_files.txt`文件中的任意位置添加一行`tensorflow/core/ops/audio_ops.cc`，并像在第 3 章，“检测对象及其位置”中一样运行`tensorflow/contrib/makefile/build_all_ios.sh`* ，以重建 TensorFlow iOS 库。 然后再次运行 iOS 应用，并继续轻按启动按钮，然后说出语音命令以识别或误解，直到您无聊为止。
+在 TensorFlow 1.4 的 `tf_op_files.txt`文件中，已经有一行文本`tensorflow/core/kernels/decode_wav_op.cc`，但可以肯定的是`tensorflow/core/ops/audio_ops.cc`丢失了。 我们需要做的就是在`tf_op_files.txt`文件中的任意位置添加一行`tensorflow/core/ops/audio_ops.cc`，并像在第 3 章，“检测对象及其位置”中一样运行`tensorflow/contrib/makefile/build_all_ios.sh`，以重建 TensorFlow iOS 库。 然后再次运行 iOS 应用，并继续轻按启动按钮，然后说出语音命令以识别或误解，直到您无聊为止。
 
 本章将重点介绍如何解决`Not found: Op type not registered`错误的过程，因为将来在其他 TensorFlow 模型上工作时，可以节省大量时间。