rm sys insert in cv

chapter_computer-vision/anchor.md

@@ -5,9 +5,6 @@
 首先，导入本小节需要的包或模块。这里我们新引入了`contrib`包，并修改了NumPy的打印精度。由于NDArray的打印实际调用NumPy的打印函数，本节打印出的NDArray中的浮点数更简洁一些。
 
 ```{.python .input  n=1}
-import sys
-sys.path.insert(0, '..')
-
 %matplotlib inline
 import gluonbook as gb
 from mxnet import contrib, gluon, image, nd

chapter_computer-vision/bounding-box.md

@@ -7,9 +7,6 @@
 在接下来的几节里，我们将介绍目标检测里的多个深度学习模型。在此之前，让我们先介绍目标位置这个概念。下面加载本节将使用的示例图像。可以看到图像左边是一只狗，右边是一只猫。它们是这张图像里的两个主要目标。
 
 ```{.python .input}
-import sys
-sys.path.insert(0, '..')
-
 %matplotlib inline
 import gluonbook as gb
 from mxnet import image

chapter_computer-vision/fcn.md

@@ -5,9 +5,6 @@
 我们先导入实验所需的包或模块，然后解释什么是转置卷积层。
 
 ```{.python .input  n=2}
-import sys
-sys.path.insert(0, '..')
-
 %matplotlib inline
 import gluonbook as gb
 from mxnet import gluon, image, init, nd

chapter_computer-vision/fine-tuning.md

@@ -25,9 +25,6 @@
 首先，导入实验所需的包或模块。Gluon的`model_zoo`包提供了常用的预训练模型。如果你希望获取更多的计算机视觉的预训练模型，可以使用GluonCV工具包 [1]。
 
 ```{.python .input  n=1}
-import sys
-sys.path.insert(0, '..')
-
 %matplotlib inline
 import gluonbook as gb
 from mxnet import gluon, init, nd
@@ -176,7 +173,6 @@ hotdog_w = nd.split(weight.data(), 1000, axis=0)[713]
 hotdog_w.shape
 ```
 
-
 ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/2272)
 
 ![](../img/qr_fine-tuning.svg)

chapter_computer-vision/image-augmentation.md

@@ -5,9 +5,6 @@
 首先，导入本节实验所需的包或模块。
 
 ```{.python .input  n=21}
-import sys
-sys.path.insert(0, '..')
-
 %matplotlib inline
 import gluonbook as gb
 import mxnet as mx

chapter_computer-vision/kaggle-gluon-cifar10.md

@@ -13,9 +13,6 @@ CIFAR-10是一个计算机视觉领域的重要数据集。本节中，我们将
 首先，导入实验所需的包或模块。
 
 ```{.python .input}
-import sys
-sys.path.insert(0, '..')
-
 import datetime
 import gluonbook as gb
 from mxnet import autograd, gluon, init

chapter_computer-vision/kaggle-gluon-dog.md

@@ -15,9 +15,6 @@
 首先，导入实验所需的包或模块。
 
 ```{.python .input}
-import sys
-sys.path.insert(0, '..')
-
 import collections
 import datetime
 import gluonbook as gb

chapter_computer-vision/multiscale-object-detection.md

@@ -7,9 +7,6 @@
 为了演示如何多尺度生成锚框，我们先读取一张图像。它的高和宽分别为561和728像素。
 
 ```{.python .input  n=1}
-import sys
-sys.path.insert(0, '..')
-
 %matplotlib inline
 import gluonbook as gb
 from mxnet import contrib, image, nd

chapter_computer-vision/neural-style.md

@@ -12,9 +12,6 @@
 ![使用神经网络进行样式迁移。](../img/neural-style.svg)
 
 ```{.python .input  n=1}
-import sys
-sys.path.insert(0, '..')
-
 %matplotlib inline
 import gluonbook as gb
 from mxnet import autograd, gluon, image, init, nd

chapter_computer-vision/object-detection-dataset.md

@@ -8,9 +8,6 @@
 RecordIO格式的皮卡丘数据集可以直接在网上下载。下载数据集的操作定义在`_download_pikachu`函数中。
 
 ```{.python .input  n=1}
-import sys
-sys.path.insert(0, '..')
-
 %matplotlib inline
 import gluonbook as gb
 from mxnet import gluon, image

chapter_computer-vision/semantic-segmentation-and-dataset.md

@@ -18,9 +18,6 @@
 语义分割的一个重要数据集叫做Pascal VOC2012 [1]。为了更好地了解这个数据集，我们先导入实验所需的包或模块。
 
 ```{.python .input  n=1}
-import sys
-sys.path.insert(0, '..')
-
 %matplotlib inline
 import gluonbook as gb
 from mxnet import gluon, image, nd

chapter_computer-vision/ssd.md

@@ -21,9 +21,6 @@
 下面我们定义一个这样的类别预测层。指定参数$a$和$q$后，它使用一个填充为1的$3\times3$卷积层。该卷积层的输入和输出的高和宽保持不变。
 
 ```{.python .input  n=1}
-import sys
-sys.path.insert(0, '..')
-
 %matplotlib inline
 import gluonbook as gb
 from mxnet import autograd, contrib, gluon, image, init, nd