change tiles

chapter02_supervised-learning/linear-regression-gluon.md

-# 使用Gluon的线性回归
+# 线性回归 --- 使用Gluon
 
 [前一章](linear-regression-scratch.md)我们仅仅使用了ndarray和autograd来实现线性回归，这一章我们仍然实现同样的模型，但是使用高层抽象包`gluon`。
 

chapter02_supervised-learning/linear-regression-scratch.md

-# 从0开始的线性回归
+# 线性回归 --- 从0开始
 
 虽然强大的深度学习框架可以减少很多重复性工作，但如果你过于依赖它提供的便利抽象，那么你可能不会很容易地理解到底深度学习是如何工作的。所以我们的第一个教程是如何只利用ndarray和autograd来实现一个线性回归的训练。
 

chapter02_supervised-learning/mlp-gluon.md

-# 使用Gluon的多层感知机
+# 多层感知机 --- 使用Gluon
 
 我们只需要稍微改动[多类Logistic回归](../chapter01_crashcourse/softmax-regression-gluon.md)来实现多层感知机。
 

chapter02_supervised-learning/mlp-scratch.md

-# 从0开始的多层感知机
+# 多层感知机 --- 从0开始
 
 前面我们介绍了包括线性回归和多类逻辑回归的数个模型，它们的一个共同点是全是只含有一个输入层，一个输出层。这一节我们将介绍多层神经网络，就是包含至少一个隐含层的网络。
 
@@ -45,7 +45,7 @@ for param in params:
 
 ## 激活函数
 
-如果我们就用线性操作符来构造多层神经网络，那么整个模型仍然只是一个线性函数。这是因为 
+如果我们就用线性操作符来构造多层神经网络，那么整个模型仍然只是一个线性函数。这是因为
 
 $$\hat{y} = X \cdot W_1 \cdot W_2 = X \cdot W_3 $$
 

chapter02_supervised-learning/softmax-regression-gluon.md

-# 使用Gluon的多类逻辑回归
+# 多类逻辑回归 --- 使用Gluon
 
 现在让我们使用gluon来更快速地实现一个多类逻辑回归。
 

chapter02_supervised-learning/softmax-regression-scratch.md

-# 从0开始的多类逻辑回归
+# 多类逻辑回归 --- 从0开始
 
 如果你读过了[从0开始的线性回归](linear-regression-scratch.md)，那么最难的部分已经过去了。现在你知道如果读取和操作数据，如何构造目标函数和对它求导，如果定义损失函数，模型和求解。
 

chapter04_convolutional-neural-networks/cnn-gluon.md

-# 使用Gluon的卷积神经网络
+# 卷积神经网络 --- 使用Gluon
 
 现在我们使用Gluon来实现[上一章的卷积神经网络](cnn-scratch.md)。
 

chapter04_convolutional-neural-networks/cnn-scratch.md

-# 从0开始的卷积神经网络
+# 卷积神经网络 --- 从0开始
 
 之前的教程里，在输入神经网络前我们将输入图片直接转成了向量。这样做有两个不好的地方：
 
@@ -39,7 +39,7 @@ print('input:', data, '\n\nweight:', w, '\n\nbias:', b, '\n\noutput:', out)
 ![](https://raw.githubusercontent.com/vdumoulin/conv_arithmetic/master/gif/padding_strides.gif)
 
 ```{.python .input  n=48}
-out = nd.Convolution(data, w, b, kernel=w.shape[2:], num_filter=w.shape[1], 
+out = nd.Convolution(data, w, b, kernel=w.shape[2:], num_filter=w.shape[1],
                      stride=(2,2), pad=(1,1))
 
 print('input:', data, '\n\nweight:', w, '\n\nbias:', b, '\n\noutput:', out)
@@ -159,8 +159,8 @@ def net(X, verbose=False):
     h2_conv = nd.Convolution(
         data=h1, weight=W2, bias=b2, kernel=W2.shape[2:], num_filter=W2.shape[0])
     h2_activation = nd.relu(h2_conv)
-    h2 = nd.Pooling(data=h2_activation, pool_type="max", kernel=(2,2), stride=(2,2))    
-    h2 = nd.flatten(h2) 
+    h2 = nd.Pooling(data=h2_activation, pool_type="max", kernel=(2,2), stride=(2,2))
+    h2 = nd.flatten(h2)
     # 第一层全连接
     h3_linear = nd.dot(h2, W3) + b3
     h3 = nd.relu(h3_linear)

chapter05_recurrent-neural-networks/rnn-scratch.md

-# 从0开始的循环神经网络
+# 循环神经网络 --- 从0开始
 
 前面的教程里我们使用的网络都属于**前馈神经网络**。为什么叫前馈是整个网络是一条链（回想下`gluon.nn.Sequential`），每一层的结果都是反馈给下一层。这一节我们介绍**循环神经网络**，这里每一层不仅输出给下一层，同时还输出一个**隐藏状态**，给当前层在处理下一个样本时使用。下图展示这两种网络的区别。