2021-01-18 17:47:56

new/pt-dl-handson/8.md

@@ -328,7 +328,7 @@ MMS 的一项强制性要求是其中包含服务类的服务文件。 MMS 执
 
 ![MXNet model archiver](img/B09475_08_04.jpg)
 
-图 8.4：fizbuz_package 的目录结构
+图 8.4：`fizbuz_package`的目录结构
 
 ```py
 class MXNetModelService(object):
@@ -566,7 +566,7 @@ class WebsiteUser(HttpLocust):
 
 现在的问题是：这不是我们对 ONNX 所做的吗？ 也就是说，从 PyTorch 模型创建另一个 IR？ 是的，过程相似，但区别在于 ONNX 使用跟踪创建了优化的 IR； 也就是说，它通过模型传递虚拟输入，并在执行模型时记录 PyTorch 操作，然后将这些操作转换为中间 IR。
 
-这种方法有一个问题：如果模型是数据相关的，例如 RNN 中的循环，或者`if` / `else`条件是基于输入的，那么跟踪就不能真正做到这一点。 跟踪将仅发现在特定执行周期中发生的情况，而忽略其他情况。 例如，如果我们的虚拟输入是 10 个单词的句子，而我们的模型是基于循环的 RNN，则跟踪的图形将对 RNN 单元的 10 次执行进行硬编码，如果句子的长度大于 10，则它将中断 单词或单词较少的简短句子。 考虑到这一点引入了 TorchScript。
+这种方法有一个问题：如果模型是数据相关的，例如 RNN 中的循环，或者`if`/`else`条件是基于输入的，那么跟踪就不能真正做到这一点。 跟踪将仅发现在特定执行周期中发生的情况，而忽略其他情况。 例如，如果我们的虚拟输入是 10 个单词的句子，而我们的模型是基于循环的 RNN，则跟踪的图形将对 RNN 单元的 10 次执行进行硬编码，如果句子的长度大于 10，则它将中断 单词或单词较少的简短句子。 考虑到这一点引入了 TorchScript。
 
 TorchScript 支持此类 Python 控制流的一个子集，唯一要做的就是将现有程序转换为所有控制流都是 TorchScript 支持的控制流的阶段。 LibTorch 可以读取 TorchScript 创建的中间阶段。 在此会话中，我们将创建 TorchScript 输出并编写一个 C++ 模块以使用 LibTorch 加载它。
 
@@ -582,7 +582,7 @@ PyTorch 允许您通过两种方法制作 TorchScript IR。 最简单的是通
 
 然后，可以将跟踪的函数（PyTorch 操作）转换为优化的 IR，也称为静态单分配 IR。 像 ONNX 图一样，该图中的指令也具有 TENsor 库（ATen，PyTorch 的后端）可以理解的原始运算符。
 
-这确实很容易，但是要付出代价。 基于跟踪的推理具有 ONNX 的基本问题：它无法处理依赖于数据的模型结构更改，即`if` / `else`条件检查或循环（序列数据）。 为了处理这种情况，PyTorch 引入了脚本模式。
+这确实很容易，但是要付出代价。 基于跟踪的推理具有 ONNX 的基本问题：它无法处理依赖于数据的模型结构更改，即`if`/`else`条件检查或循环（序列数据）。 为了处理这种情况，PyTorch 引入了脚本模式。
 
 可以通过使用`torch.jit.script`装饰器（用于常规功能）和`torch.jit.script_method`（用于 PyTorch 模型上的方法）来启用脚本模式。 通过此装饰器，函数/方法中的内容将直接转换为 TorchScript。 在对模型类使用`torch.jit.script_method`时要记住的另一件重要事情是关于父类。 通常，我们从`torch.nn.Module`继承，但是为了制作 TorchScript，我们从`torch.jit.ScriptModule`继承。 这有助于 PyTorch 避免使用无法转换为 TorchScript 的纯 Python 方法。 目前，TorchScript 不支持所有 Python 功能，但具有支持数据相关张量操作的所有必需功能。
 

new/pt-tut-17/49.md

@@ -220,7 +220,7 @@ true
 
 ```
 
-有关 C++ 张量自动梯度 API 的更多信息，例如`grad` / `requires_grad` / `is_leaf` / `backward` / `detach` / `detach_` / `register_hook` / `retain_grad`，请参见[相应的 C++  API 文档](https://pytorch.org/cppdocs/api/classat_1_1_tensor.html)。
+有关 C++ 张量自动梯度 API 的更多信息，例如`grad`/`requires_grad`/`is_leaf`/`backward`/`detach`/`detach_`/`register_hook`/`retain_grad`，请参见[相应的 C++  API 文档](https://pytorch.org/cppdocs/api/classat_1_1_tensor.html)。
 
 ## 用 C++ 计算高阶梯度
 

new/pt-tut-17/63.md

@@ -78,7 +78,7 @@ def run(rank, size):
 
 在上面的示例中，两个进程都从零张量开始，然后进程 0 递增张量并将其发送到进程 1，以便它们都以 1.0 结尾。 请注意，进程 1 需要分配内存以存储它将接收的数据。
 
-另请注意，`send` / `recv`被**阻塞**：两个过程都停止，直到通信完成。 另一方面，即时消息是**非阻塞**； 脚本继续执行，方法返回`Work`对象，我们可以选择`wait()`作为对象。
+另请注意，`send`/`recv`被**阻塞**：两个过程都停止，直到通信完成。 另一方面，即时消息是**非阻塞**； 脚本继续执行，方法返回`Work`对象，我们可以选择`wait()`作为对象。
 
 ```py
 """Non-blocking point-to-point communication."""