2020-08-03 22:31:26

docs/tf-ml-cookbook-2e-zh/ch01.md

@@ -452,36 +452,36 @@ print(sess.run(tf.cross([1., 0., 0.], [0., 1., 0.])))
 
 | | |
 | --- | --- |
-| `abs()` | 一个输入张量的绝对值 |
-| `ceil()` | 一个输入张量的向上取整函数 |
-| `cos()` | 一个输入张量的余弦函数 |
-| `exp()` | 基于`e`指数的一个输入张量 |
-| `floor()` | 一个输入张量的向下取整函数 |
-| `inv()` | 一个输入张量的乘法逆（1 / x） |
-| `log()` | 一个输入张量的自然对数 |
-| `maximum()` | 元素最多两个张量 |
-| `minimum()` | 两个张量的元素分钟 |
-| `neg()` | 负输入张量为负 |
-| `pow()` | 第一个张量元素提升到第二个张量元素 |
-| `round()` | 舍入一个输入张量 |
-| `rsqrt()` | 一个超过一个张量的平方根 |
-| `sign()` | 返回-1,0 或 1，具体取决于张量的符号 |
-| `sin()` | 一个输入张量的正弦函数 |
-| `sqrt()` | 一个输入张量的平方根 |
-| `square()` | 一个输入张量的平方 |
+| `abs()` | 输入张量的绝对值 |
+| `ceil()` | 输入张量的向上取整函数 |
+| `cos()` | 输入张量的余弦函数 |
+| `exp()` | 输入张量的基于`e`指数 |
+| `floor()` | 输入张量的向下取整函数 |
+| `inv()` | 输入张量的乘法逆（`1 / x`） |
+| `log()` | 输入张量的自然对数 |
+| `maximum()` | 两个张量的逐元素最大值 |
+| `minimum()` | 两个张量的逐元素最小值 |
+| `neg()` | 输入张量的反转 |
+| `pow()` | 第一个张量元素的第二个张量元素次幂 |
+| `round()` | 输入张量的舍入 |
+| `rsqrt()` | 输入张量的平方根倒数 |
+| `sign()` | 返回 -1，0 或 1，具体取决于张量的符号 |
+| `sin()` | 输入张量的正弦函数 |
+| `sqrt()` | 输入张量的平方根 |
+| `square()` | 输入张量的平方 |
 
 1.  专业数学函数：有一些特殊的数学函数可以在机器学习中使用，值得一提，TensorFlow 为它们提供了内置函数。同样，除非另有说明，否则这些函数在元素方面运行：
 
 | | |
 | --- | --- |
 | `digamma()` | Psi 函数，`lgamma()`函数的导数 |
-| `erf()` | 高斯误差函数，元素方式，一个张量 |
-| `erfc()` | 一个张量的互补误差函数 |
-| `igamma()` | 降低正则化的不完全伽玛函数 |
-| `igammac()` | 上正则化不完全伽马函数 |
-| `lbeta()` | β函数绝对值的自然对数 |
+| `erf()` | 张量的逐元素高斯误差函数 |
+| `erfc()` | 张量的互补误差函数 |
+| `igamma()` | 较低正则化的不完全伽玛函数 |
+| `igammac()` | 较高正则化的不完全伽马函数 |
+| `lbeta()` | Beta 函数绝对值的自然对数 |
 | `lgamma()` | 伽玛函数绝对值的自然对数 |
-| `squared_difference()` | 计算两个张量之间差异的平方 |
+| `squared_difference()` | 两个张量之间差异的平方 |
 
 ## 工作原理
 

docs/tf-ml-cookbook-2e-zh/ch02.md

@@ -379,10 +379,10 @@ plt.show()
 
 | 损失函数 | 任务 | 优点 | 缺点 |
 | --- | --- | --- | --- |
-| L2 | 回归 | 更稳定 | 不太健壮 |
+| L2 | 回归 | 更稳定 | 不太强大 |
 | L1 | 回归 | 更强大 | 不太稳定 |
-| 伪胡伯 | 回归 | 更稳健，更稳定 | 还有一个参数 |
-| 合页 | 分类 | 创建 SVM 中使用的最大边距 | 受到异常值影响的无限损失 |
+| 伪 Huber | 回归 | 更强大，更稳定 | 还有一个参数 |
+| Hinge | 分类 | 创建 SVM 中使用的最大边距 | 受到异常值影响的无限损失 |
 | 交叉熵 | 分类 | 更稳定 | 无限损失，不那么强大 |
 
 剩余的分类损失函数都与交叉熵损失的类型有关。交叉熵 sigmoid los 函数用于未缩放的 logits，并且优于计算 sigmoid 然后交叉熵，因为 TensorFlow 具有更好的内置方式来处理数字边缘情况。 softmax 交叉熵和稀疏 softmax 交叉熵也是如此。
@@ -397,7 +397,7 @@ plt.show()
 | 均方根误差 | 对于连续模型，它通过平均平方误差的平方根来测量预测与实际之间的差异。 |
 | 混淆矩阵 | 对于分类模型，我们查看预测类别与实际类别的矩阵。一个完美的模型具有沿对角线的所有计数。 |
 | 召回 | 对于分类模型，这是所有预测阳性的真阳性分数。 |
-| 精确 | 对于分类模型，这是所有实际正数的真实积极分数。 |
+| 精确 | 对于分类模型，这是所有实际阳性的真阳性分数。 |
 | F-得分 | 对于分类模型，这是精度和召回的调和平均值。 |
 
 # 实现反向传播
@@ -727,9 +727,9 @@ plt.show()
 
 ## 更多
 
-| 训练类型 | 好处 | 缺点 |
+| 训练类型 | 优点 | 缺点 |
 | --- | --- | --- |
-| 随机 | 随机性可能有助于摆脱当地的最低限度。 | 通常，需要更多迭代才能收敛。 |
+| 随机 | 随机性可能有助于摆脱局部的最小值。 | 通常，需要更多迭代才能收敛。 |
 | 批量 | 更快地找到最小值。 | 需要更多资源来计算。 |
 
 # 把所有东西结合在一起

docs/tf-ml-cookbook-2e-zh/ch05.md

@@ -298,7 +298,7 @@ print(sess.run(edit_distances, feed_dict=feed_dict))
 | 名称 | 描述 | 公式 |
 | --- | --- | --- |
 | 汉明距离 | 相同位置的相等字符的数量。仅在字符串长度相等时有效。 | ![](img/3f9a30b1-0aff-4c8d-b1ca-f00744f177cf.png)，其中`I`是相等字符的指示函数。 |
-| 余弦距离 | `k` - 差异的点积除以`k` - 差异的 L2 范数。 | ![](img/0015e197-fc53-491a-82a0-9d1acfc4b795.png) |
+| 余弦距离 | `k`差异的点积除以`k`差异的 L2 范数。 | ![](img/0015e197-fc53-491a-82a0-9d1acfc4b795.png) |
 | 雅克卡距离 | 共同的字符数除以两个字符串中的字符总和。 | ![](img/b9646b5b-e1cf-4fc1-9099-9dd1c9813b07.png) |
 
 # 使用混合距离函数的计算

docs/tf-ml-cookbook-2e-zh/ch06.md

@@ -309,10 +309,10 @@ plt.show()
 
 由于 ReLU 激活函数的形式，它比 sigmoid 函数更频繁地返回零值。我们认为这种行为是一种稀疏性。这种稀疏性导致收敛速度加快，但失去了受控梯度。另一方面，S 形函数具有非常良好控制的梯度，并且不会冒 ReLU 激活所带来的极值的风险，如下图所示：
 
-| 激活函数 | 好处 | 缺点 |
+| 激活函数 | 优点 | 缺点 |
 | --- | --- | --- |
-| Sigmoid | 不太极端的产出 | 收敛速度较慢 |
-| RELU | 更快地融合 | 极端输出值可能 |
+| Sigmoid | 不太极端的输出 | 收敛速度较慢 |
+| RELU | 更快地收敛 | 可能有极端的输出值 |
 
 ## 更多
 

docs/tf-ml-cookbook-2e-zh/ch10.md

@@ -783,10 +783,10 @@ $ tensorflow_model_server --port=9000 --model_name=spam_ham --model_base_path=<d
 
 如果我们将早期的生产规模部分与前一部分进行比较，主要区别在于我们在主机上部署了可以响应传入请求的模型服务器。前面的部分是一个很好的设置示例，用于执行批量结果或在可以加载 TensorFlow 的机器上工作，但秘籍不是很擅长部署可用的模型，可以进行计算，并将结果返回给任何客户。在本节中，我们将了解如何处理这种体系结构，如下表所示：
 
-|  | 第 5 节 - 批量生产 | 第 6 节 - 通过 TensorFlow 服务生产 |
+|  | 第 5 节 - 批量作业 | 第 6 节 - 通过 TensorFlow 服务的作业 |
 | --- | --- | --- |
-| 优点 | 不依赖于网络连接或主机 | 结果与客户端结构无关，唯一的要求是 Numpy 数组的正确格式化二进制文件 |
-| 缺点 | 客户端必须具有 TensorFlow 和模型文件 | 依靠主机可用 |
+| 优点 | 不依赖于网络连接或主机 | 结果与客户端结构无关，唯一的要求是 Numpy 数组的正确格式化的二进制文件 |
+| 缺点 | 客户端必须具有 TensorFlow 和模型文件 | 依靠可用的主机 |
 | 理想的用途 | 大批量数据 | 生产服务始终可用，通常是小的请求 |
 
 当然，每种方法的优缺点都值得商榷，两者都能满足每种情况的要求。还有许多其他可用的架构可以满足不同的需求，例如 Docker，Kubernetes，Luigi，Django / Flask，Celery，AWS 和 Azure。