zeng qiang -> zeng guang (#103)

chapter_computer-vision/image-augmentation.md

-# 图片增强
+# 图片增广
 
-AlexNet当年能取得巨大的成功，其中图片增强功不可没。图片增强通过一系列的随机变化生成大量“新”的样本，从而减低过拟合的可能。现在在深度卷积神经网络训练中，图片增强是必不可少的一部分。
+AlexNet当年能取得巨大的成功，其中图片增广功不可没。图片增广通过一系列的随机变化生成大量“新”的样本，从而减低过拟合的可能。现在在深度卷积神经网络训练中，图片增广是必不可少的一部分。
 
-## 常用增强方法
+## 常用增广方法
 
 我们首先读取一张$400\times 500$的图片作为样例
 
@@ -15,7 +15,7 @@ img = image.imdecode(open('../img/cat1.jpg', 'rb').read())
 plt.imshow(img.asnumpy())
 ```
 
-接下来我们定义一个辅助函数，给定输入图片`img`的增强方法`aug`，它会运行多次并画出结果。
+接下来我们定义一个辅助函数，给定输入图片`img`的增广方法`aug`，它会运行多次并画出结果。
 
 ```{.python .input  n=2}
 from mxnet import nd
@@ -36,7 +36,7 @@ def apply(img, aug, n=3):
 
 ### 变形
 
-水平方向翻转图片是最早也是最广泛使用的一种增强。
+水平方向翻转图片是最早也是最广泛使用的一种增广。
 
 ```{.python .input  n=3}
 # 以.5的概率做翻转
@@ -44,7 +44,7 @@ aug = image.HorizontalFlipAug(.5)
 apply(img, aug)
 ```
 
-样例图片里我们关心的猫在图片正中间，但一般情况下可能不是这样。前面我们提到池化层能弱化卷积层对目标位置的敏感度，但也不能完全解决这个问题。一个常用增强方法是随机的截取其中的一块。
+样例图片里我们关心的猫在图片正中间，但一般情况下可能不是这样。前面我们提到池化层能弱化卷积层对目标位置的敏感度，但也不能完全解决这个问题。一个常用增广方法是随机的截取其中的一块。
 
 注意到随机截取一般会缩小输入的形状。如果原始输入图片过小，导致没有太多空间进行随机裁剪，通常做法是先将其放大的足够大的尺寸。所以如果你的原始图片足够大，建议不要事先将它们裁到网络需要的大小。
 
@@ -81,13 +81,13 @@ apply(img, aug)
 
 ## 如何使用
 
-通常使用时我们会将数个增强方法一起使用。注意到图片增强通常只是针对训练数据，对于测试数据则用得较小。后者常用的是做5次随机剪裁，然后讲5张图片的预测结果做均值。
+通常使用时我们会将数个增广方法一起使用。注意到图片增广通常只是针对训练数据，对于测试数据则用得较小。后者常用的是做5次随机剪裁，然后讲5张图片的预测结果做均值。
 
-下面我们使用CIFAR10来演示图片增强对训练的影响。我们这里不使用前面一直用的FashionMNIST，这是因为这个数据的图片基本已经对齐好了，而且是黑白图片，所以不管是变形还是变色增强效果都不会明显。
+下面我们使用CIFAR10来演示图片增广对训练的影响。我们这里不使用前面一直用的FashionMNIST，这是因为这个数据的图片基本已经对齐好了，而且是黑白图片，所以不管是变形还是变色增广效果都不会明显。
 
 ### 数据读取
 
-我们首先定义一个辅助函数可以对图片按顺序应用数个增强：
+我们首先定义一个辅助函数可以对图片按顺序应用数个增广：
 
 ```{.python .input  n=8}
 def apply_aug_list(img, augs):
@@ -109,7 +109,7 @@ test_augs = [
 ]
 ```
 
-然后定义数据读取，这里跟前面的FashionMNIST类似，但在`transform`中加入了图片增强：
+然后定义数据读取，这里跟前面的FashionMNIST类似，但在`transform`中加入了图片增广：
 
 ```{.python .input  n=10}
 from mxnet import gluon
@@ -179,27 +179,27 @@ def train(train_augs, test_augs, learning_rate=.1):
         train_data, test_data, net, loss, trainer, ctx, num_epochs)
 ```
 
-使用增强：
+使用增广：
 
 ```{.python .input  n=14}
 train(train_augs, test_augs)
 ```
 
-不使用增强：
+不使用增广：
 
 ```{.python .input  n=15}
 train(test_augs, test_augs)
 ```
 
-可以看到使用增强后，训练精度提升更慢，但测试精度比不使用更好。
+可以看到使用增广后，训练精度提升更慢，但测试精度比不使用更好。
 
 ## 总结
 
-图片增强可以有效避免过拟合。
+图片增广可以有效避免过拟合。
 
 ## 练习
 
-尝试换不同的增强方法试试。
+尝试换不同的增广方法试试。
 
 
 **吐槽和讨论欢迎点**[这里](https://discuss.gluon.ai/t/topic/1666)

chapter_computer-vision/kaggle-gluon-cifar10.md

@@ -141,7 +141,7 @@ reorg_cifar10_data(data_dir, label_file, train_dir, test_dir, input_dir, valid_r
 
 ## 使用Gluon读取整理后的数据集
 
-为避免过拟合，我们在这里使用`image.CreateAugmenter`来加强数据集。例如我们设`rand_mirror=True`即可随机对每张图片做镜面反转。我们也通过`mean`和`std`对彩色图像RGB三个通道分别做[标准化](../chapter_supervised-learning/kaggle-gluon-kfold.md)。以下我们列举了该函数里的所有参数，这些参数都是可以调的。
+为避免过拟合，我们在这里使用`image.CreateAugmenter`来增广数据集。例如我们设`rand_mirror=True`即可随机对每张图片做镜面反转。我们也通过`mean`和`std`对彩色图像RGB三个通道分别做[标准化](../chapter_supervised-learning/kaggle-gluon-kfold.md)。以下我们列举了该函数里的所有参数，这些参数都是可以调的。
 
 ```{.python .input  n=4}
 from mxnet import autograd

chapter_computer-vision/kaggle-gluon-dog.md

@@ -137,7 +137,7 @@ else:
 
 ## 使用Gluon读取整理后的数据集
 
-为避免过拟合，我们在这里使用`image.CreateAugmenter`来加强数据集。例如我们设`rand_mirror=True`即可随机对每张图片做镜面反转。以下我们列举了该函数里的所有参数，这些参数都是可以调的。
+为避免过拟合，我们在这里使用`image.CreateAugmenter`来增广数据集。例如我们设`rand_mirror=True`即可随机对每张图片做镜面反转。以下我们列举了该函数里的所有参数，这些参数都是可以调的。
 
 ```{.python .input  n=4}
 from mxnet import autograd