describe data set

chapter_appendix/gluonbook.md

@@ -9,8 +9,8 @@
 | `bbox_to_rect`|[物体检测和边界框](../chapter_computer-vision/bounding-box.md)|
 | `count_tokens`|[文本情感分类：使用循环神经网络](../chapter_natural-language-processing/sentiment-analysis.md)|
 | `data_iter`|[线性回归的从零开始实现](../chapter_deep-learning-basics/linear-regression-scratch.md)|
-| `data_iter_consecutive`|[循环神经网络](../chapter_recurrent-neural-networks/rnn.md)|
-| `data_iter_random`|[循环神经网络](../chapter_recurrent-neural-networks/rnn.md)|
+| `data_iter_consecutive`|[语言模型数据集（周杰伦专辑歌词）](../chapter_recurrent-neural-networks/lang-model-dataset.md)|
+| `data_iter_random`|[语言模型数据集（周杰伦专辑歌词）](../chapter_recurrent-neural-networks/lang-model-dataset.md)|
 | `download_imdb`|[文本情感分类：使用循环神经网络](../chapter_natural-language-processing/sentiment-analysis.md)|
 | `download_voc_pascal`|[语义分割和数据集](../chapter_computer-vision/semantic-segmentation-and-dataset.md)|
 | `evaluate_accuracy`|[图片增广](../chapter_computer-vision/image-augmentation.md)|
@@ -20,7 +20,7 @@
 | `grad_clipping`|[循环神经网络](../chapter_recurrent-neural-networks/rnn.md)|
 | `linreg`|[线性回归的从零开始实现](../chapter_deep-learning-basics/linear-regression-scratch.md)|
 | `load_data_fashion_mnist`|[深度卷积神经网络（AlexNet）](../chapter_convolutional-neural-networks/alexnet.md)|
-| `load_data_pikachu`|[物体检测数据集](../chapter_computer-vision/object-detection-dataset.md)|
+| `load_data_pikachu`|[物体检测数据集（皮卡丘）](../chapter_computer-vision/object-detection-dataset.md)|
 | `optimize`|[梯度下降和随机梯度下降](../chapter_optimization/gd-sgd.md)|
 | `optimize_with_trainer`|[梯度下降和随机梯度下降](../chapter_optimization/gd-sgd.md)|
 | `plt`|[线性回归的从零开始实现](../chapter_deep-learning-basics/linear-regression-scratch.md)|

chapter_computer-vision/object-detection-dataset.md

-# 物体检测数据集
+# 物体检测数据集（皮卡丘）
 
 在物体检测领域并没有类似MNIST那样的小数据集方便我们快速测试模型。为此我们合成了一个小的人工数据集。我们首先使用一个开源的皮卡丘3D模型生成1000张不同角度和大小的图片。然后我们收集了一系列背景图片，并在每张图的随机位置放置一张皮卡丘图片。我们使用MXNet提供的[tools/im2rec.py](https://github.com/apache/incubator-mxnet/blob/master/tools/im2rec.py)来将图片打包成二进制rec文件。（这是MXNet在Gluon开发出来之前常用的数据格式。注意GluonCV这个包里已经提供了更简单的类似之前我们读取图片的函数，从而可以省略打包图片的步骤。但由于这个工具包目前仍在快速开发迭代中，这里我们仍使用rec格式。）
 

chapter_recurrent-neural-networks/lang-model-dataset.md

@@ -7,9 +7,9 @@
 首先导入本节所需的包和模块。
 
 ```{.python .input  n=1}
+from mxnet import nd
 import random
 import zipfile
-from mxnet import nd
 ```
 
 然后读取这个数据集，看看前50个字符是什么样的。
@@ -114,13 +114,18 @@ for X, Y in data_iter_consecutive(my_seq, batch_size=2, num_steps=6):
     print('X: ', X, '\nY:', Y, '\n')
 ```
 
-同样，`data_iter_random`和`data_iter_consecutive`也保存在GluonBook里以供后面章节需要。
+本节定义的`data_iter_random`和`data_iter_consecutive`函数被保存在`gluonbook`包里以供后面章节调用。
+
 
 ## 小结
 
-时序数据采样方式包括随机采样和相邻采样。使用这两种方式的循环神经网络训练略有不同。
+* 时序数据采样方式包括随机采样和相邻采样。使用这两种方式的循环神经网络训练略有不同。
 
 ## 练习
 
 * 你还能想到哪些采样小批量数据的办法？
 * 如果我们想让一个序列样本就是一个完整的句子，这会给小批量采样带来什么样的问题？
+
+## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/7876)
+
+![](../img/qr_lang-model-dataset.svg)