1.5.0b20181215

build/env.yml

@@ -10,7 +10,7 @@ dependencies:
   - nbsphinx==0.3.5
   - recommonmark==0.4.0
   - https://github.com/mli/notedown/tarball/master
-  - mxnet-cu92==1.2.0
+  - mxnet-cu92==1.5.0b20181215
   - gluonbook==0.8.5
   - jieba==0.39
   - awscli

chapter_appendix/aws.md

@@ -147,7 +147,7 @@ source activate gluon
 
 ```
 pip uninstall mxnet
-pip install mxnet-cu90==1.2.0  # 指定本书代码依赖的版本号。
+pip install mxnet-cu90==X.Y.Z  # X.Y.Z 应替换为本书代码依赖的版本号。
 ```
 
 ## 运行Jupyter记事本

chapter_computer-vision/image-augmentation.md

@@ -228,7 +228,7 @@ def train_with_data_aug(train_augs, test_augs, lr=0.001):
     loss = gloss.SoftmaxCrossEntropyLoss()
     train_iter = load_cifar10(True, train_augs, batch_size)
     test_iter = load_cifar10(False, test_augs, batch_size)
-    train(train_iter, test_iter, net, loss, trainer, ctx, num_epochs=10)
+    train(train_iter, test_iter, net, loss, trainer, ctx, num_epochs=8)
 ```
 
 ### 有关图像增广的对比实验

chapter_computer-vision/ssd.md

@@ -194,8 +194,6 @@ print('output bbox preds:', bbox_preds.shape)
 ```{.python .input  n=14}
 batch_size = 32
 train_data, test_data = gb.load_data_pikachu(batch_size)
-# 为保证 GPU 计算效率，这里为每张训练图像填充了两个标签为 -1 的边界框。
-train_data.reshape(label_shape=(3, 5))
 ```
 
 在皮卡丘数据集中，目标的类别数为1。定义好模型以后，我们需要初始化模型参数并定义优化算法。

chapter_deep-learning-computation/read-write.md

@@ -42,7 +42,7 @@ mydict2
 
 ## 读写Gluon模型的参数
 
-除了NDArray以外，我们还可以读写Gluon模型的参数。Gluon的Block类提供了`save_params`和`load_params`函数来读写模型参数（较新版本的MXNet，如1.2.1版，则使用`save_parameters`和`load_parameters`函数）。为了演示方便，我们先创建一个多层感知机，并将其初始化。回忆[“模型参数的延后初始化”](deferred-init.md)一节，由于延后初始化，我们需要先运行一次前向计算才能实际初始化模型参数。
+除了NDArray以外，我们还可以读写Gluon模型的参数。Gluon的Block类提供了`save_parameters`和`load_parameters`函数来读写模型参数。为了演示方便，我们先创建一个多层感知机，并将其初始化。回忆[“模型参数的延后初始化”](deferred-init.md)一节，由于延后初始化，我们需要先运行一次前向计算才能实际初始化模型参数。
 
 ```{.python .input  n=6}
 class MLP(nn.Block):
@@ -64,14 +64,14 @@ y = net(x)
 
 ```{.python .input}
 filename = 'mlp.params'
-net.save_params(filename)
+net.save_parameters(filename)
 ```
 
 接下来，我们再实例化一次定义好的多层感知机。跟随机初始化模型参数不同，我们在这里直接读取保存在文件里的参数。
 
 ```{.python .input  n=8}
 net2 = MLP()
-net2.load_params(filename)
+net2.load_parameters(filename)
 ```
 
 因为这两个实例都有同样的模型参数，那么对同一个输入`x`的计算结果将会是一样。我们来验证一下。

chapter_introduction/how-to-use.md

@@ -28,7 +28,7 @@
 
 本书的一大特点是每一节的代码都是可以运行的。你可以改动代码后重新运行，并通过运行结果进一步理解改动所带来的影响。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比较苍白无力，而且不足以覆盖所有细节。你需要通过不断改动代码、观察运行结果并进行经验总结，逐步领悟和掌握深度学习。
 
-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 1.2.0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，我们将本书中多次使用的函数和类封装在版本号为1.0.0的`gluonbook`包中。这些函数和类的定义所在章节已在附录[“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。为避免重复描述，我们将本书中多次使用的函数和类封装在`gluonbook`包中。这些函数和类的定义所在章节已在附录[“gluonbook包索引”](../chapter_appendix/gluonbook.md)里列出。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。遇到相关问题可参考[“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。如果你想了解运行本书代码所依赖的MXNet和`gluonbook`包的版本号，也可参考[“获取和运行本书代码”](../chapter_prerequisite/install.md)一节。
 
 本书可以作为MXNet入门教程使用。但我们提供代码的主要目的在于增加一个在文字、图像和公式外的学习深度学习算法的方式，以及一个便于理解各算法在真实数据上实际效果的交互式环境。书中只使用了MXNet的`ndarray`、`autograd`、`gluon`等模块的基础功能，使你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，书中的代码也能帮助你更好地理解深度学习算法。
 

chapter_natural-language-processing/similarity-analogy.md

@@ -48,8 +48,9 @@ glove_6b50d.token_to_idx['beautiful'], glove_6b50d.idx_to_token[3367]
 
 ```{.python .input}
 def knn(W, x, k):
+    # 添加的 1e-9 是为了数值稳定性。
     cos = nd.dot(W, x.reshape((-1,))) / (
-        nd.sum(W * W, axis=1).sqrt() * nd.sum(x * x).sqrt())
+        (nd.sum(W * W, axis=1) + 1e-9).sqrt() * nd.sum(x * x).sqrt())
     topk = nd.topk(cos, k=k, ret_typ='indices').asnumpy().astype('int32')
     return topk, [cos[i].asscalar() for i in topk]
 ```
@@ -59,8 +60,8 @@ def knn(W, x, k):
 ```{.python .input}
 def get_similar_tokens(query_token, k, embed):
     topk, cos = knn(embed.idx_to_vec,
-                    embed.get_vecs_by_tokens([query_token]), k+2)
-    for i, c in zip(topk[2:], cos[2:]):  # 除去输入词和未知词。
+                    embed.get_vecs_by_tokens([query_token]), k+1)
+    for i, c in zip(topk[1:], cos[1:]):  # 除去输入词。
         print('cosine sim=%.3f: %s' % (c, (embed.idx_to_token[i])))
 ```
 
@@ -88,8 +89,8 @@ get_similar_tokens('beautiful', 3, glove_6b50d)
 def get_analogy(token_a, token_b, token_c, embed):
     vecs = embed.get_vecs_by_tokens([token_a, token_b, token_c])
     x = vecs[1] - vecs[0] + vecs[2]
-    topk, cos = knn(embed.idx_to_vec, x, 2)
-    return embed.idx_to_token[topk[1]]  # 除去未知词。
+    topk, cos = knn(embed.idx_to_vec, x, 1)
+    return embed.idx_to_token[topk[0]]
 ```
 
 验证下“男-女”类比。

chapter_natural-language-processing/word2vec-gluon.md

@@ -6,6 +6,7 @@
 
 ```{.python .input  n=1}
 import collections
+import gluonbook as gb
 import math
 from mxnet import autograd, gluon, nd
 from mxnet.gluon import data as gdata, loss as gloss, nn
@@ -285,13 +286,15 @@ net.add(nn.Embedding(input_dim=len(idx_to_token), output_dim=embed_size),
 
 ```{.python .input  n=23}
 def train(net, lr, num_epochs):
-    net.initialize(force_reinit=True)
+    ctx = gb.try_gpu()
+    net.initialize(ctx=ctx, force_reinit=True)
     trainer = gluon.Trainer(net.collect_params(), 'adam',
                             {'learning_rate': lr})
     for epoch in range(num_epochs):
         start_time, train_l_sum = time.time(), 0
         for batch in data_iter:
-            center, context_negative, mask, label = batch
+            center, context_negative, mask, label = [
+                data.as_in_context(ctx) for data in batch]
             with autograd.record():
                 pred = skip_gram(center, context_negative, net[0], net[1])
                 # 使用掩码变量 mask 来避免填充项对损失函数计算的影响。
@@ -319,7 +322,8 @@ train(net, 0.005, 3)
 def get_similar_tokens(query_token, k, embed):
     W = embed.weight.data()
     x = W[token_to_idx[query_token]]
-    cos = nd.dot(W, x) / nd.sum(W * W, axis=1).sqrt() / nd.sum(x * x).sqrt()
+    # # 添加的 1e-9 是为了数值稳定性。
+    cos = nd.dot(W, x) / (nd.sum(W * W, axis=1) * nd.sum(x * x) + 1e-9).sqrt()
     topk = nd.topk(cos, k=k+1, ret_typ='indices').asnumpy().astype('int32')
     for i in topk[1:]:  # 除去输入词。
         print('cosine sim=%.3f: %s' % (cos[i].asscalar(), (idx_to_token[i])))
@@ -336,6 +340,7 @@ get_similar_tokens('chip', 3, net[0])
 
 ## 练习
 
+* 在创建`nn.Embedding`实例时设参数`sparse_grad=True`，训练是否可以加速？查阅MXNet文档，了解该参数的意义。
 * 我们用`batchify`函数指定`DataLoader`实例中小批量的读取方式，并打印了读取的第一个批量中各个变量的形状。这些形状该如何计算得到？
 * 试着找出其他词的近义词。
 * 调一调超参数，观察并分析实验结果。

chapter_prerequisite/install.md

@@ -28,7 +28,7 @@ conda config --prepend channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pk
 conda config --prepend channels http://mirrors.ustc.edu.cn/anaconda/pkgs/free/
 ```
 
-接下来使用conda创建虚拟（运行）环境并安装本书需要的软件。这里`environment.yml`是放置在代码压缩包中的文件，它指定了执行本书代码所需要的软件。
+接下来使用conda创建虚拟（运行）环境并安装本书需要的软件。这里`environment.yml`是放置在代码压缩包中的文件，它指定了运行本书（代码压缩包中）代码所依赖的软件及版本号。
 
 ```
 conda env create -f environment.yml

environment.yml

@@ -6,5 +6,5 @@ dependencies:
 - pandas=0.23.2
 - pip:
   - requests==2.18.4
-  - mxnet==1.2.0
+  - mxnet==1.5.0b20181215
   - gluonbook==0.8.5