2021-01-10 22:49:35

new/handson-py-dl-web/06.md

@@ -72,7 +72,7 @@ Dialogflow（以前称为 **api.ai**）提供了一套实用程序，用于构
 
 *   可以轻松应用于任何对话用户界面的最佳做法和流程
 *   添加构建会话用户界面可能需要的任何自定义逻辑的功能
-*   训练代理商的设施，以便微调界面的整体体验
+*   训练智能体的设施，以便微调界面的整体体验
 
 现在，我们将看到如何使用 Dialogflow 在 Python 中创建一个简单的应用。 您可以参考[这里](https://dialogflow.com)了解有关 Dialogflow 的更多信息。
 
@@ -315,8 +315,8 @@ Cloud Vision API 为我们提供了许多用于执行计算机视觉任务的实
 *   手写识别
 *   地标检测
 *   对象定位
-*   图片搜寻
-*   产品搜寻
+*   图片搜索
+*   产品搜索
 
 除了前面提到的功能之外，Cloud Vision 还允许我们提取给定图像的不同属性。 以下屏幕截图显示了此实用程序：
 

new/handson-py-dl-web/08.md

@@ -210,7 +210,7 @@ response = requests.get(image_url)
 image = Image.open(BytesIO(response.content))
 ```
 
-3.  创建一个空图：
+3.  创建一个空图形：
 
 ```py
 plt.figure(figsize=(8,8))
@@ -222,7 +222,7 @@ plt.figure(figsize=(8,8))
 ax = plt.imshow(image, alpha=0.6)
 ```
 
-5.  遍历前面部分中指定的面并提取必要的信息：
+5.  遍历前面部分中指定的面部并提取必要的信息：
 
 ```py
 for face in faces:
@@ -364,7 +364,7 @@ CNTK 框架支持 64 位和 32 位架构的计算机。 但是，在编写本书
 pip install cntk
 ```
 
-*   将以下内容用于启用 GPU 的版本：
+*   将以下内容用于启用 GPU 版本：
 
 ```py
 # For the GPU enabled version

new/handson-py-dl-web/09.md

@@ -23,7 +23,7 @@
 *   Pandas
 *   **自然语言工具包**（**NLTK**）
 *   Flask 1.1.0+ 和以下版本的兼容版本：
-    *   烧瓶形式
+    *   FlaskForm
     *   wtforms
     *   flask_restful
     *   flask_jsonpify
@@ -175,7 +175,7 @@
 
 从总体角度来看，出于收集数据的目的，可能有多个数据源。 您可以从网站上抓取数据，也可以下载一些准备好的数据集。 也可以采用其他方法，例如：
 
-*   在应用/网站的运行时动态生成数据
+*   在应用/网站运行时动态生成数据
 *   从应用或智能设备登录
 *   通过系统形式（例如测验或调查）直接从用户收集数据
 *   从调查机构收集数据

new/handson-py-dl-web/10.md

@@ -5,9 +5,9 @@
 本章讨论了一些技巧和技术，您可以使用这些技巧和技术通过使用 Python 进行深度学习来保护网站的安全。 我们将介绍 reCAPTCHA 和 Cloudflare，并讨论如何使用它们来增强网站的安全性。 我们还将向您展示如何使用基于深度学习的技术和 Python 后端，实现安全机制来检测网站上的恶意用户。 本章将涵盖以下主题：
 
 *   reCAPTCHA 的故事
-*   DIY –在 Django 上进行恶意用户检测
+*   DIY – 在 Django 上进行恶意用户检测
 *   使用 Python 在 Web 应用中使用 reCAPTCHA
-*   Cloudflare 的网站安全
+*   Cloudflare 和网站安全
 
 我们将从 reCAPTCHA 的故事开始本章的讨论，reCAPTCHA 是 Google 创造的一种巧妙的工具，它改变了互联网。
 
@@ -52,9 +52,9 @@ CAPTCHA 的起源与多个组织的发明主张存在争议，但是 Luis von Ah
 
 异常检测是机器学习的流行分支。 它是一组算法，用于检测给定数据集中的数据样本，这些数据样本不会随大多数数据样本属性一起下降。 在狗窝里检测猫是异常检测。 异常检测以几种方式执行：
 
-*   通过使用列的最小最大范围
+*   通过列的最小最大范围
 *   通过找出数据图中的突然尖峰
-*   在数据绘制在高斯曲线下时，通过将位于端点的点标记为离群值（异常）
+*   当数据绘制在高斯曲线下时，通过将位于端点的点标记为离群值（异常）
 
 支持向量机，K 最近邻和贝叶斯网络是用于异常检测的一些最流行的算法。
 

new/handson-py-dl-web/11.md

@@ -10,7 +10,7 @@
 
 *   生产方法中的 DL 概述
 *   在生产中部署 ML 的流行工具
-*   实现演示 DL Web 生产环境
+*   实现 DL Web 生产环境演示
 *   将项目部署到 Heroku
 *   安全性，监视和性能优化
 
@@ -299,19 +299,19 @@ UCI 心脏病数据集包含 303 个样本，每个样本具有 76 个属性。
     *   典型的心绞痛
     *   非典型心绞痛
     *   非心绞痛
-    *   无症状的
+    *   无症状
 *   静息血压
 *   血清胆固醇，mg/dl
 *   空腹血糖 >120 mg/dl
 *   静息心电图结果：
     *   正常
     *   患有 ST-T 波异常（T 波倒置和/或 ST 升高或降低 >0.05 mV）
-    *   根据 Estes 的标准显示可能或确定的左心室肥大
+    *   根据 Estes 的标准显示的可能或确定的左心室肥大
 *   达到最大心率
 *   运动诱发的心绞痛
-*   Oldpeak：运动引起的相对于休息的 ST 抑郁
-*   运动高峰 ST 段的斜率
-*   荧光检查显色的主要血管数目（0-3）
+*   Oldpeak：运动引起的相对于休息的 ST 抑制
+*   运动高峰的 ST 段的斜率
+*   荧光检查着色的主要血管数目（0-3）
 *   Thal：3：正常；6：固定缺陷；7：可逆缺陷
 
 最后会有一列，这是我们将要预测的目标。 这将使当前问题在正常患者和受影响患者之间进行分类。

new/handson-py-dl-web/12.md

@@ -77,9 +77,9 @@ NLP 是机器学习和深度学习应用中最受欢迎的也是最令人兴奋
 
 例如，考虑以下三个文档：
 
-1.  拉姆是男孩。
-2.  拉姆是个好男孩。
-3.  拉姆不是一个女孩。
+1.  `Ram is a boy.`
+2.  `Ram is a good boy.`
+3.  `Ram is not a girl.`
 
 这些文档中存在的唯一词可以在向量中列出为`["Ram"，"is"，"a"，"boy"，"good"，"not"，"girl"]`。
 

new/handson-py-dl-web/13.md

@@ -83,7 +83,7 @@ Google 相册由于在后台使用了深度学习，因此在个人在线画廊
 本质上，仍然存在许多手动的步骤，而且这个问题仍然存在：我们是否可以设计一个系统来自动为我们找到合适答案的过程？ 现有的搜索引擎为我们提供了给定搜索查询的相关文档列表，但不足以开发能够实际产生搜索查询答案的系统。 简而言之，这样的系统需要执行以下操作：
 
 1.  遵循相关文件的结构。
-2.  从这些文档中提供的内容中讲得通。
+2.  理清这些文档中提供的内容。
 3.  得出最终答案。
 
 让我们简化一下问题。 假设对于一个给定的问题，我们已经有了相关段落的列表，现在我们需要开发一种系统，该系统实际上可以从这些段落中理解并为我们提供给定问题的明确答案。 在阅读理解系统中，神经网络通常学会捕捉给定问题与相关段落之间的深层语义关系，然后制定最终答案。