revise model-construction (#343)

* '错别字修改'

* revise subscript

* keep index original

* keep original

* 语句错别字修改

* keep original

* keep original

chapter_deep-learning-computation/model-construction.md

@@ -6,7 +6,7 @@
 
 ## 继承Block类来构造模型
 
-Block类是`nn`模块里提供的一个模型构造类，我们可以继承它来定义我们想要的模型。我们在这里构造一个同前提到的相同的多层感知机。这里定义的MLP类重载了Block类的两个函数：`__init__`和`forward`，分别对应创建模型参数和定义前向计算。
+Block类是`nn`模块里提供的一个模型构造类，我们可以继承它来定义我们想要的模型。我们在这里构造一个同前面提到的相同的多层感知机。这里定义的MLP类重载了Block类的两个函数：`__init__`和`forward`，分别对应创建模型参数和定义前向计算。
 
 ```{.python .input  n=1}
 from mxnet import nd
@@ -34,15 +34,15 @@ net.initialize()
 net(x)
 ```
 
-其中，`net(x)`会调用MLP继承至Block的`__call__`函数，这个函数将调用MLP定义的`forward`函数来完成前向计算。
+其中，`net(x)`会调用了MLP继承自Block的`__call__`函数，这个函数将调用MLP定义的`forward`函数来完成前向计算。
 
 我们无需在这里定义反向传播函数，系统将通过自动求导，参考[“自动求梯度”](../chapter_prerequisite/autograd.md)一节，来自动生成`backward`函数。
 
-注意到我们不是将Block叫做层或者模型之类的名字，这是因为它是一个可以自由组建的部件。它的子类既可以一个层，例如Gluon提供的Dense类；也可以是一个模型，例如这里定义的MLP类；或者是模型的一个部分。我们下面通过两个例子来展示它的灵活性。
+注意到我们不是将Block叫做层或者模型之类的名字，这是因为它是一个可以自由组建的部件。它的子类既可以是一个层，例如Gluon提供的Dense类；也可以是一个模型，例如这里定义的MLP类；或者是模型的一个部分。我们下面通过两个例子来展示它的灵活性。
 
 ## Sequential类继承自Block类
 
-当模型的前向计算就是简单串行计算模型里面各个层的时候，我们可以将模型定义变得更加简单，这个就是Sequential类的目的，它通过`add`函数来添加Block子类实例，前向计算时就是将添加的实例逐一运行。下面我们实现一个跟Sequential类有相同功能的类，这样你可以看的更加清楚它的运行机制。
+当模型的前向计算就是简单串行计算模型里面各个层的时候，我们可以将模型定义变得更加简单，这个就是Sequential类的目的，它通过`add`函数来添加Block子类实例，前向计算时就是将添加的实例逐一运行。下面我们实现一个跟Sequential类有相同功能的类，这样可以帮助你更加清晰地理解它的运行机制。
 
 ```{.python .input  n=3}
 class MySequential(nn.Block):
@@ -76,7 +76,7 @@ net(x)
 
 ## 构造复杂的模型
 
-虽然Sequential类可以使得模型构造更加简单，不需要定义`forward`函数，但直接继承Block类可以极大的拓展灵活性。下面我们构造一个稍微复杂点的网络。在这个网络中，我们通过`get_constant`函数创建训练中不被迭代的参数，即常数参数。在前向计算中，除了使用创建的常数参数外，我们还使用NDArray的函数和Python的控制流，并多次调用同一层。
+虽然Sequential类可以使得模型构造更加简单，不需要定义`forward`函数，但直接继承Block类可以极大地拓展灵活性。下面我们构造一个稍微复杂点的网络。在这个网络中，我们通过`get_constant`函数创建训练中不被迭代的参数，即常数参数。在前向计算中，除了使用创建的常数参数外，我们还使用NDArray的函数和Python的控制流，并多次调用同一层。
 
 ```{.python .input  n=5}
 class FancyMLP(nn.Block):