conv layer done

chapter_convolutional-neural-networks/conv-layer.md

@@ -22,7 +22,7 @@ $$
 
 ### 互相关运算和卷积运算
 
-你也许会好奇卷积层为何能使用互相关运算替代卷积运算。实际上，卷积运算与互相关运算类似。我们只需将核数组左右翻转并上下翻转，再与输入数组做互相关运算，即得到卷积运算的输出。可见，卷积运算和互相关运算虽然类似，但输出并不一样。然而，在深度学习中卷积核都是学出来的：卷积层无论使用互相关运算或卷积运算都不影响模型预测时的输出。为了解释这一点，假设卷积层使用互相关运算学出图5.1中的卷积核。设其他条件不变，卷积层使用卷积运算学出的卷积核即图5.1中的卷积核按上下、左右翻转。也就是说，图5.1中的输入与使用卷积运算学出的卷积核再做卷积运算时，依然得到图5.1中的输出。为了与大多数深度学习文献一致，如无特别说明，本书中提到的卷积运算均指互相关运算。
+你也许会好奇卷积层为何能使用互相关运算替代卷积运算。实际上，卷积运算与互相关运算类似。我们只需将核数组左右翻转并上下翻转，再与输入数组做互相关运算，即得到卷积运算的输出。可见，卷积运算和互相关运算虽然类似，但如果它们使用相同的核数组，对于同一个输入，输出往往并不相同。然而，在深度学习中核数组都是学出来的：卷积层无论使用互相关运算或卷积运算都不影响模型预测时的输出。为了解释这一点，假设卷积层使用互相关运算学出图5.1中的核数组。设其他条件不变，使用卷积运算学出的核数组即图5.1中的核数组按上下、左右翻转。也就是说，图5.1中的输入与学出的已翻转的核数组再做卷积运算时，依然得到图5.1中的输出。为了与大多数深度学习文献一致，如无特别说明，本书中提到的卷积运算均指互相关运算。
 
 下面我们将上述过程实现在`corr2d`函数里。它接受输入数组`X`与核数组`K`，并输出数组`Y`。
 
@@ -94,9 +94,9 @@ Y
 
 ## 通过数据学习核数组
 
-最后我们来看一个例子，它使用前面的`X`和`Y`来学习我们构造的`K`。我们首先构造一个卷积层，将其卷积核初始化成随机数组。然后在每一个迭代里，我们使用平方误差来比较`Y`和卷积层的输出，然后计算梯度来更新权重。
+最后我们来看一个例子，它使用物体边缘检测中的输入数据`X`和输出数据`Y`来学习我们构造的核数组`K`。我们首先构造一个卷积层，将其卷积核初始化成随机数组。然后在每一次迭代中，我们使用平方误差来比较`Y`和卷积层的输出，然后计算梯度来更新权重。为了简单起见，这里的卷积层忽略了偏差。
 
-虽然我们之前构造了Conv2D类，但由于`corr2d`使用了对单个元素赋值（`[i, j]=`）的操作会导致无法自动求导，下面我们使用Gluon提供的Conv2D类来实现这个例子。
+虽然我们之前构造了`Conv2D`类，但由于`corr2d`使用了对单个元素赋值（`[i, j]=`）的操作从而无法自动求导。下面我们使用Gluon提供的`Conv2D`类来实现这个例子。
 
 ```{.python .input  n=83}
 # 构造一个输出通道是 1（将在后面小节介绍通道），核数组形状是 (1，2) 的二维卷积层。
@@ -118,27 +118,28 @@ for i in range(10):
     conv2d.weight.data()[:] -= 3e-2 * conv2d.weight.grad()
 ```
 
-可以看到10次迭代后误差已经降到了一个比较小的值，现在来看一下学习到的核。
+可以看到10次迭代后误差已经降到了一个比较小的值。现在来看一下学习到的核数组。
 
 ```{.python .input}
 conv2d.weight.data().reshape((1, 2))
 ```
 
-我们看到学到的核与我们之前定义的`K`非常接近。
+我们看到学到的核数组与我们之前定义的核数组较接近。
+
 
 ## 小结
 
-- 二维卷积层的核心计算是二维互相关运算。在最简单的形式下，它对二维输入数据和卷积核做互相关运算然后加上偏差。
-- 我们可以设计卷积核来检测图像中的边缘，同时也可以通过数据来学习它。
+* 二维卷积层的核心计算是二维互相关运算。在最简单的形式下，它对二维输入数据和卷积核做互相关运算然后加上偏差。
+* 我们可以设计卷积核来检测图像中的边缘。
+* 我们可以通过数据来学习卷积核。
+
 
 ## 练习
 
-- 构造一个`X`，它有水平方向的边缘，如何设计`K`来检测它？如果是对角方向的边缘呢？
-- 试着对我们构造的`Conv2D`进行自动求导，会有什么样的错误信息？
-- 在Conv2D的`forward`函数里，将`corr2d`替换成`nd.Convolution`使得其可以求导。
-- 试着将conv2d的核构造成`(2, 2)`，会学出什么样的结果？
-- 如何通过变化输入和核的矩阵来将互相关运算表示成一个矩阵乘法。
-- 如何构造一个全连接层来进行物体边缘检测？
+* 构造一个输入图像`X`，令它有水平方向的边缘。如何设计卷积核`K`来检测图像中水平边缘？如果是对角方向的边缘呢？
+* 试着对我们自己构造的`Conv2D`类进行自动求导，会有什么样的错误信息？在该类的`forward`函数里，将`corr2d`函数替换成`nd.Convolution`类使得自动求导变得可行。
+* 如何通过变化输入和核的数组将互相关运算表示成一个矩阵乘法？
+* 如何构造一个全连接层来进行物体边缘检测？
 
 ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/6314)