revise how to use and eval_acc

chapter_introduction/how-to-use.md

 # 如何使用
 
 在本书中，我们不仅阐述深度学习的技术与应用，还使用Apache MXNet（incubating）及其最新的Gluon接口演示如何实现它们。
-除了视频课程和讨论区以外，我们将利用Jupyter notebook能将文字、代码、公式和图像统一起来的优势，提供一个交互式的学习体验。据我们所知，目前还没有如此多方位交互式的深度学习的学习体验。我们将尝试弥补这个空白。
+除了讨论区以外，我们将利用Jupyter notebook能将文字、代码、公式和图像统一起来的优势，提供一个交互式的学习体验。据我们所知，目前还没有如此多方位交互式的深度学习的学习体验。我们将尝试弥补这个空白。
 
 
 ## 面向的读者
@@ -33,22 +33,6 @@
 本书所有代码已在MXNet 1.2.0和Python 3.6.4下测试通过。由于深度学习发展极为迅速，未来版本的MXNet可能会造成书中部分代码无法正常运行。如果遇到某一节代码无法正常运行的情况，可安装1.2.0版的MXNet或在该节的讨论区汇报问题。如果你希望安装未来新版本的MXNet并获得该版本下测试通过的新代码，可参考[“安装和运行”](../chapter_prerequisite/install.md)一节更新代码和运行环境。
 
 
-
-## 视频课程
-
-本书作者曾在网上直播教学《动手学深度学习》系列课程。这套课程的视频录像可在Bilibili网站或Youtube网站上收看。
-
-* 扫码直达[Bilibili网站的视频教程](https://space.bilibili.com/209599371/#/channel/detail?cid=23541)：
-
-![](../img/qr_lectures_bilibili.svg)
-
-* 扫码直达[Youtube网站的视频教程](https://www.youtube.com/watch?v=kGktiYF5upk&list=PLLbeS1kM6teJqdFzw1ICHfa4a1y0hg8Ax)：
-
-![](../img/qr_lectures_youtube.svg)
-
-本书基于观众反馈意见对视频课程内容做了部分修改。如果视频与本书有内容不一致，请以本书内容为准。
-
-
 ## 讨论区
 
 本书的学习社区地址是 https://discuss.gluon.ai/ 。当你对书中某节内容有疑惑时，也可以扫一扫该节后面的二维码参与讨论该节内容。值得一提的是，在有关Kaggle比赛章节的讨论区中，众多社区成员提供了丰富的高水平方法。我们强烈推荐大家积极参与学习社区中的讨论，并相信你一定会有所收获。本书作者和MXNet开发人员也时常参与社区中的讨论。
@@ -63,7 +47,6 @@
 ## 练习
 
 * 在本书的学习社区 https://discuss.gluon.ai/ 上注册一个账号。搜索关键字Kaggle，浏览其中回复量最大的几个帖子。
-* 浏览《动手学深度学习》视频课程列表，比较与本书章节编排顺序的异同。
 
 
 ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/6915)

chapter_recurrent-neural-networks/rnn-gluon.md

@@ -85,19 +85,6 @@ vocab_size = len(corpus.dictionary)
 vocab_size
 ```
 
-```{.json .output n=4}
-[
- {
-  "data": {
-   "text/plain": "10000"
-  },
-  "execution_count": 4,
-  "metadata": {},
-  "output_type": "execute_result"
- }
-]
-```
-
 ## 定义循环神经网络模型库
 
 我们可以定义一个循环神经网络模型库。这样我们就可以使用以ReLU或tanh函数为激活函数的循环神经网络，以及长短期记忆和门控循环单元。和本章中其他实验不同，这里使用了Embedding实例将每个词索引变换成一个长度为`embed_size`的词向量。这些词向量实际上也是模型参数。在随机初始化后，它们会在模型训练结束时被学到。此外，我们使用了丢弃法来应对过拟合。
@@ -267,16 +254,6 @@ print('test loss %.2f, perplexity %.2f'
       % (test_l.asscalar(), test_l.exp().asscalar()))
 ```
 
-```{.json .output n=None}
-[
- {
-  "name": "stdout",
-  "output_type": "stream",
-  "text": "epoch 1, batch 1000, train loss 7.04, perplexity 1136.45\nepoch 1, batch 2000, train loss 6.37, perplexity 584.98\n"
- }
-]
-```
-
 ## 小结
 
 * 我们可以使用Gluon训练循环神经网络。它更简洁，例如无需我们手动实现含有多个隐藏层的复杂模型。

gluonbook/utils.py

@@ -99,8 +99,6 @@ def evaluate_accuracy(data_iter, net, ctx=[mx.cpu()]):
         ctx = [ctx]
     acc = nd.array([0])
     n = 0
-    if isinstance(data_iter, mx.io.MXDataIter):
-        data_iter.reset()
     for batch in data_iter:
         features, labels, batch_size = _get_batch(batch, ctx)
         for X, y in zip(features, labels):