minor typo (#373)

* small typo

* small typo

* code and description is not same

* statements polishing

* statements polishing

* minor typo

* statements polishing

chapter_recurrent-neural-networks/gru.md

@@ -143,7 +143,7 @@ num_epochs, num_steps, batch_size, lr, clipping_theta = 160, 35, 32, 1e2, 1e-2
 pred_period, pred_len, prefixes = 40, 50, ['分开', '不分开']
 ```
 
-设置好超参数后，我们将训练模型并跟据前缀“分开”和“不分开”分别创作长度为50个字符的一段歌词。我们每过30个迭代周期便根据当前训练的模型创作一段歌词。。
+设置好超参数后，我们将训练模型并跟据前缀“分开”和“不分开”分别创作长度为50个字符的一段歌词。我们每过30个迭代周期便根据当前训练的模型创作一段歌词。
 
 ```{.python .input}
 gb.train_and_predict_rnn(gru, get_params, init_gru_state, num_hiddens,

chapter_recurrent-neural-networks/lstm.md

@@ -11,7 +11,7 @@ LSTM 中引入了三个门：输入门（input gate）、遗忘门（forget gate
 
 ### 输入门、遗忘门和输出门
 
-同门控循环单元中的重置门和更新门一样，如图6.7所示，LSTM的门均由输入为当前时间步输入$\boldsymbol{X}_t$与上一时间步隐藏状态$\boldsymbol{H}_{t-1}$，且激活函数为sigmoid函数的全连接层计算得出。如此一来，这三个门元素的值域均为$[0,1]$。
+同门控循环单元中的重置门和更新门一样，如图6.7所示，LSTM的门的输入均为当前时间步输入$\boldsymbol{X}_t$与上一时间步隐藏状态$\boldsymbol{H}_{t-1}$，且激活函数为sigmoid函数的全连接层计算得出。如此一来，这三个门元素的值域均为$[0,1]$。
 
 ![长短期记忆中输入门、遗忘门和输出门的计算。](../img/lstm_0.svg)