opt qr all

chapter_optimization/adadelta-gluon.md

@@ -47,7 +47,7 @@ utils.optimize(batch_size=10, trainer=trainer, num_epochs=3, decay_epoch=None,
                log_interval=10, X=X, y=y, net=net, print_lr=False)
 ```
 
-## 结论
+## 小结
 
 * 使用`Gluon`的`Trainer`可以轻松使用Adadelta。
 
@@ -55,4 +55,9 @@ utils.optimize(batch_size=10, trainer=trainer, num_epochs=3, decay_epoch=None,
 
 * 如果把试验中的参数rho改小会怎样，例如0.9？观察实验结果。
 
-**吐槽和讨论欢迎点**[这里](https://discuss.gluon.ai/t/topic/2278)
+
+## 讨论
+
+欢迎扫码直达[本节内容讨论区](https://discuss.gluon.ai/t/topic/2278)：
+
+![](../img/qr_adadelta-gluon.svg)

chapter_optimization/adadelta-scratch.md

@@ -124,7 +124,7 @@ def optimize(batch_size, rho, num_epochs, log_interval):
 optimize(batch_size=10, rho=0.9999, num_epochs=3, log_interval=10)
 ```
 
-## 结论
+## 小结
 
 * Adadelta没有学习率参数。
 
@@ -133,4 +133,9 @@ optimize(batch_size=10, rho=0.9999, num_epochs=3, log_interval=10)
 
 * Adadelta为什么不需要设置学习率参数？它被什么代替了？
 
-**吐槽和讨论欢迎点**[这里](https://discuss.gluon.ai/t/topic/2277)
+
+## 讨论
+
+欢迎扫码直达[本节内容讨论区](https://discuss.gluon.ai/t/topic/2277)：
+
+![](../img/qr_adadelta-scratch.svg)

chapter_optimization/adagrad-gluon.md

@@ -45,7 +45,7 @@ utils.optimize(batch_size=10, trainer=trainer, num_epochs=3, decay_epoch=None,
                log_interval=10, X=X, y=y, net=net)
 ```
 
-## 结论
+## 小结
 
 * 使用`Gluon`的`Trainer`可以轻松使用Adagrad。
 
@@ -53,4 +53,8 @@ utils.optimize(batch_size=10, trainer=trainer, num_epochs=3, decay_epoch=None,
 
 * 尝试使用其他的初始学习率，结果有什么变化？
 
-**吐槽和讨论欢迎点**[这里](https://discuss.gluon.ai/t/topic/2274)
+## 讨论
+
+欢迎扫码直达[本节内容讨论区](https://discuss.gluon.ai/t/topic/2274)：
+
+![](../img/qr_adagrad-gluon.svg)

chapter_optimization/adagrad-scratch.md

@@ -141,7 +141,7 @@ def optimize(batch_size, lr, num_epochs, log_interval):
 optimize(batch_size=10, lr=0.9, num_epochs=3, log_interval=10)
 ```
 
-## 结论
+## 小结
 
 * Adagrad是一个在迭代过程中不断自我调整学习率，并让模型参数中每个元素都使用不同学习率的优化算法。
 
@@ -150,4 +150,8 @@ optimize(batch_size=10, lr=0.9, num_epochs=3, log_interval=10)
 
 * 我们提到了Adagrad可能的问题在于按元素平方的梯度累加变量。你能想到什么办法来应对这个问题吗？
 
-**吐槽和讨论欢迎点**[这里](https://discuss.gluon.ai/t/topic/2273)
+## 讨论
+
+欢迎扫码直达[本节内容讨论区](https://discuss.gluon.ai/t/topic/2273)：
+
+![](../img/qr_adagrad-scratch.svg)

chapter_optimization/adam-gluon.md

@@ -77,4 +77,8 @@ utils.optimize(batch_size=10, trainer=trainer, num_epochs=3, decay_epoch=None,
 * 换：这个参数被换成别的了
 * 权：指数加权移动平均
 
-**吐槽和讨论欢迎点**[这里](https://discuss.gluon.ai/t/topic/2280)
+## 讨论
+
+欢迎扫码直达[本节内容讨论区](https://discuss.gluon.ai/t/topic/2280)：
+
+![](../img/qr_adam-gluon.svg)

chapter_optimization/adam-scratch.md

@@ -161,7 +161,7 @@ def optimize(batch_size, lr, num_epochs, log_interval):
 optimize(batch_size=10, lr=0.1, num_epochs=3, log_interval=10)
 ```
 
-## 结论
+## 小结
 
 * Adam组合了动量法和RMSProp。
 
@@ -170,4 +170,8 @@ optimize(batch_size=10, lr=0.1, num_epochs=3, log_interval=10)
 
 * 你是怎样理解Adam算法中的偏差修正项的？
 
-**吐槽和讨论欢迎点**[这里](https://discuss.gluon.ai/t/topic/2279)
+## 讨论
+
+欢迎扫码直达[本节内容讨论区](https://discuss.gluon.ai/t/topic/2279)：
+
+![](../img/qr_adam-scratch.svg)

chapter_optimization/momentum-gluon.md

@@ -46,7 +46,7 @@ utils.optimize(batch_size=10, trainer=trainer, num_epochs=3, decay_epoch=2,
                log_interval=10, X=X, y=y, net=net)
 ```
 
-## 结论
+## 小结
 
 * 使用`Gluon`的`Trainer`可以轻松使用动量法。
 
@@ -54,4 +54,8 @@ utils.optimize(batch_size=10, trainer=trainer, num_epochs=3, decay_epoch=2,
 
 * 如果想用以上代码重现随机梯度下降，应该把动量参数改为多少？
 
-**吐槽和讨论欢迎点**[这里](https://discuss.gluon.ai/t/topic/1880)
+## 讨论
+
+欢迎扫码直达[本节内容讨论区](https://discuss.gluon.ai/t/topic/1880)：
+
+![](../img/qr_momentum-gluon.svg)

chapter_optimization/momentum-scratch.md

@@ -137,7 +137,7 @@ def optimize(batch_size, lr, mom, num_epochs, log_interval):
 optimize(batch_size=10, lr=0.2, mom=0.9, num_epochs=3, log_interval=10)
 ```
 
-## 结论
+## 小结
 
 * 动量法可以提升随机梯度下降，例如对于某些问题可以选用较大学习率从而加快收敛。
 
@@ -146,4 +146,8 @@ optimize(batch_size=10, lr=0.2, mom=0.9, num_epochs=3, log_interval=10)
 
 * 试着使用较小的动量参数，观察实验结果。
 
-**吐槽和讨论欢迎点**[这里](https://discuss.gluon.ai/t/topic/1879)
+## 讨论
+
+欢迎扫码直达[本节内容讨论区](https://discuss.gluon.ai/t/topic/1879)：
+
+![](../img/qr_momentum-scratch.svg)

chapter_optimization/rmsprop-gluon.md

@@ -55,7 +55,7 @@ utils.optimize(batch_size=10, trainer=trainer, num_epochs=3, decay_epoch=None,
                log_interval=10, X=X, y=y, net=net)
 ```
 
-## 结论
+## 小结
 
 * 使用`Gluon`的`Trainer`可以轻松使用RMSProp。
 
@@ -63,4 +63,8 @@ utils.optimize(batch_size=10, trainer=trainer, num_epochs=3, decay_epoch=None,
 
 * 试着使用其他的初始学习率和gamma参数的组合，观察实验结果。
 
-**吐槽和讨论欢迎点**[这里](https://discuss.gluon.ai/t/topic/2276)
+## 讨论
+
+欢迎扫码直达[本节内容讨论区](https://discuss.gluon.ai/t/topic/2276)：
+
+![](../img/qr_rmsprop-gluon.svg)

chapter_optimization/rmsprop-scratch.md

@@ -129,7 +129,7 @@ optimize(batch_size=10, lr=0.03, gamma=0.9, num_epochs=3, log_interval=10)
 optimize(batch_size=10, lr=0.03, gamma=0.999, num_epochs=3, log_interval=10)
 ```
 
-## 结论
+## 小结
 
 * RMSProp和Adagrad的不同在于，RMSProp使用了梯度按元素平方的指数加权移动平均变量来调整学习率。
 * 通过调整指数加权移动平均中gamma参数的值可以控制学习率的变化。
@@ -140,4 +140,8 @@ optimize(batch_size=10, lr=0.03, gamma=0.999, num_epochs=3, log_interval=10)
 * 通过查阅网上资料，你对指数加权移动平均是怎样理解的？
 * 为什么gamma调大后，损失函数在迭代后期较平滑？
 
-**吐槽和讨论欢迎点**[这里](https://discuss.gluon.ai/t/topic/2275)
+## 讨论
+
+欢迎扫码直达[本节内容讨论区](https://discuss.gluon.ai/t/topic/2275)：
+
+![](../img/qr_rmsprop-scratch.svg)