fix typo (#424)

chapter_appendix/how-to-contribute.md

@@ -86,9 +86,9 @@ git push
 
 ## 参考文献
 
-[1] 本书贡献者列表。https://github.com/mli/gluon-tutorials-zh/graphs/contributors
+[1] 本书贡献者列表。https://github.com/diveintodeeplearning/d2l-zh/graphs/contributors
 
-[2] 本书代码库地址。https://github.com/mli/gluon-tutorials-zh
+[2] 本书代码库地址。https://github.com/diveintodeeplearning/d2l-zh
 
 [3] 安装Git。https://git-scm.com/book/zh/v2
 

chapter_introduction/how-to-use.md

@@ -26,7 +26,7 @@
 
 本书的一大特点是每一节都是可以运行的。你可以改动代码后重新运行来查看它对结果造成的影响。我们认为这种交互式的学习体验对于学习深度学习非常重要。因为深度学习目前并没有很好的理论解释框架，很多论断只可意会。文字解释在这时候可能较苍白，而且不足以覆盖所有细节。你需要通过不断改动代码、观察运行结果和总结经验来加深理解并获得领悟。
 
-本书的代码基于Apache MXNet实现。MXNet是一个开源的深度学习框架。它是AWS（亚马逊云计算服务）首选的深度学习框架，也被众多学校和公司使用。本书所有代码已在MXNet 1.2.1下测试通过。但由于深度学习发展极为迅速，未来版本的MXNet可能会造成书中部分代码无法正常运行。遇到类似问题可参考[“安装和运行”](../chapter_prerequisite/install.md)一节来更新代码和运行环境。此外，为避免重复描述，我们将本书多次使用的函数、类等封装在版本号为1.0.0的`gluonbook`包中。这些函数、类等的定义所在的章节已在附录中[“gluonbook包索引”](../chapter_appendix/gluonbook.md)里列出。
+本书的代码基于Apache MXNet实现。MXNet是一个开源的深度学习框架。它是AWS（亚马逊云计算服务）首选的深度学习框架，也被众多学校和公司使用。本书所有代码已在MXNet 1.2.1下测试通过。但由于深度学习发展极为迅速，未来版本的MXNet可能会造成书中部分代码无法正常运行。遇到类似问题可参考[“获取和运行本书代码”](../chapter_prerequisite/install.md)一节来更新代码和运行环境。此外，为避免重复描述，我们将本书多次使用的函数、类等封装在版本号为1.0.0的`gluonbook`包中。这些函数、类等的定义所在的章节已在附录中[“gluonbook包索引”](../chapter_appendix/gluonbook.md)里列出。
 
 本书可以作为MXNet入门书使用。但我们提供代码的主要目的在于增加一个在文字、图像和公式外的方式来学习深度学习算法，和一个交互式的环境来理解各个模型和算法在真实数据上的实际效果。我们只使用了MXNet的`ndarray`、`autograd`、`gluon`等模块的基础功能，使得你可以尽可能了解深度学习算法的实现细节。即便你在研究和工作中使用了其他深度学习框架，我们也希望这些代码能帮助你更好地理解深度学习算法。