minor fix

chapter_convolutional-neural-networks/padding-and-strides.md

@@ -22,7 +22,7 @@ $$(n_h-k_h+p_h+1)\times(n_w-k_w+p_w+1),$$
 
 卷积神经网络经常使用奇数高宽的卷积核，例如1、3、5和7，所以填充在两端上的数目相同。对任意的二维数组`X`，设它的第`i`行第`j`列的元素为`X[i,j]`。当填充在两端的数目相同，并使得输入和输出具有相同的高和宽时，我们就知道输出`Y[i,j]`是由输入以`X[i,j]`为中心的窗口同卷积核进行互相关计算得到的。
 
-下面例子里我们创建一个高和宽为3的二维卷积层，然后设输入高和宽两侧的填充数均为1。给定一个高和宽为8的输入，我们发现输出的高和宽也是8。
+下面例子里我们创建一个高和宽为3的二维卷积层，然后设输入高和宽两侧的填充数分别为1。给定一个高和宽为8的输入，我们发现输出的高和宽也是8。
 
 ```{.python .input  n=1}
 from mxnet import nd

chapter_deep-learning-basics/backprop.md

@@ -22,7 +22,7 @@ $$L = \ell(\boldsymbol{o}, y).$$
 
 根据$L_2$范数正则化的定义，给定超参数$\lambda$，正则化项即
 
-$$s = \frac{\lambda}{2} L_2 = \frac{\lambda}{2} \left(\|\boldsymbol{W}^{(1)}\|_F^2 + \|\boldsymbol{W}^{(2)}\|_F^2\right),$$
+$$s = \frac{\lambda}{2} \left(\|\boldsymbol{W}^{(1)}\|_F^2 + \|\boldsymbol{W}^{(2)}\|_F^2\right),$$
 
 其中矩阵的Frobenius范数等价于将矩阵变平为向量后计算$L_2$范数。最终，模型在给定的数据样本上带正则化的损失为