revise index

chapter_deep-learning-basics/index.md

 # 深度学习基础
 
-从本章开始，我们将探索深度学习的奥秘。作为机器学习的一类，深度学习通常基于神经网络模型逐级表示越来越抽象的概念或模式。我们先从线性回归和 Softmax 回归这两种单层神经网络入手，简要介绍机器学习中的基本概念。然后，我们由单层神经网络延伸到多层神经网络，并通过多层感知机引入深度学习模型。在观察和了解了模型的过拟合现象后，我们将介绍深度学习中应对过拟合的常用方法：权重衰减和丢弃法。接着，为了进一步理解深度学习模型训练的本质，我们将详细解释正向传播和反向传播。最后，我们通过一个深度学习应用案例来实践本章内容。
+从本章开始，我们将探索深度学习的奥秘。作为机器学习的一类，深度学习通常基于神经网络模型逐级表示越来越抽象的概念或模式。我们先从线性回归和 softmax 回归这两种单层神经网络入手，简要介绍机器学习中的基本概念。然后，我们由单层神经网络延伸到多层神经网络，并通过多层感知机引入深度学习模型。在观察和了解了模型的过拟合现象后，我们将介绍深度学习中应对过拟合的常用方法：权重衰减和丢弃法。接着，为了进一步理解深度学习模型训练的本质，我们将详细解释正向传播和反向传播。掌握这两个概念后，我们能更好地认识深度学习中的数值稳定性和初始化的一些问题。最后，我们通过一个深度学习应用案例对本章内容学以致用。
 
 ```eval_rst
 

chapter_deep-learning-computation/index.md

 # 深度学习计算
 
-上一章介绍了包括多层感知机在内的简单深度学习模型的原理和实现。这一章我们将介绍深度学习计算的各个重要组成部分，例如模型构造、参数访问、自定义层和使用 GPU。通过本章的学习，你将能够深入了解模型实现和计算的各个方面，为在之后章节实现更复杂模型打下基础。
+上一章介绍了包括多层感知机在内的简单深度学习模型的原理和实现。这一章我们将介绍深度学习计算的各个重要组成部分，例如模型构造、参数的访问和初始化等、自定义层、读取、存储和使用 GPU。通过本章的学习，你将能够深入了解模型实现和计算的各个细节，并为在之后章节实现更复杂模型打下坚实的基础。
 
 ```eval_rst
 

chapter_prerequisite/index.md

 # 预备知识
 
-在动手学习之前，我们需要获取本书代码，并安装运行本书代码所需要的工具。作为动手学深度学习的基础，我们还需要了解如何对内存中的数据进行操作，以及对函数求梯度的方法。
+在动手学习之前，我们需要获取本书代码，并安装运行本书代码所需要的软件。作为动手学深度学习的基础，我们还需要了解如何对内存中的数据进行操作，以及对函数求梯度的方法。最后，我们应养成主动查找文档来学习代码的良好习惯。
 
 ```eval_rst
 

chapter_prerequisite/lookup-api.md

 # 查阅MXNet文档
 
-受篇幅所限，本书无法对所有用到的MXNet函数一一详细介绍。我们可以主动查找相关文档来做更深入的了解。
+受篇幅所限，本书无法对所有用到的MXNet函数和类一一详细介绍。我们可以主动查找相关文档来做更深入的了解。
 
 ## 查找模块里的所有函数和类