rm mlp, opt inline

chapter_deep-learning-basics/mlp.md

@@ -9,7 +9,7 @@
 
 多层感知机在单层神经网络的基础上引入了一到多个隐藏层（hidden layer）。隐藏层位于输入层和输出层之间。图3.3展示了一个多层感知机的神经网络图。
 
-![带有隐藏层的多层感知机。它含有一个隐藏层，该层中有5个隐藏单元。](../img/mlp-units.svg)
+![带有隐藏层的多层感知机。它含有一个隐藏层，该层中有5个隐藏单元。](../img/mlp.svg)
 
 在图3.3的多层感知机中，输入和输出个数分别为4和3，中间的隐藏层中包含了5个隐藏单元（hidden unit）。由于输入层不涉及计算，图3.3中的多层感知机的层数为2。由图3.3可见，隐藏层中的神经元和输入层中各个输入完全连接，输出层中的神经元和隐藏层中的各个神经元也完全连接。因此，多层感知机中的隐藏层和输出层都是全连接层。
 
@@ -43,8 +43,6 @@ $$\text{relu}(x) = \max(x, 0).$$
 可以看出，ReLU函数只保留正数元素，并将负数元素清零。为了直观地观察这一非线性变换，我们先定义一个绘图函数`xyplot`。
 
 ```{.python .input}
-# 将图打印在 Jupyter notebook 的文本之间。
-%matplotlib inline  
 import sys
 sys.path.append('..')
 import gluonbook as gb

chapter_optimization/adadelta-gluon.md

@@ -5,7 +5,6 @@
 首先，导入本节中实验所需的包或模块。
 
 ```{.python .input}
-%matplotlib inline
 import sys
 sys.path.append('..')
 import gluonbook as gb

chapter_optimization/adadelta.md

@@ -46,7 +46,6 @@ def adadelta(params, sqrs, deltas, rho, batch_size):
 首先，导入本节中实验所需的包或模块。
 
 ```{.python .input}
-%matplotlib inline
 import sys
 sys.path.append('..')
 import gluonbook as gb

chapter_optimization/adagrad-gluon.md

@@ -6,7 +6,6 @@
 首先，导入本节中实验所需的包或模块。
 
 ```{.python .input}
-%matplotlib inline
 import sys
 sys.path.append('..')
 import gluonbook as gb

chapter_optimization/adagrad.md

@@ -55,7 +55,6 @@ def adagrad(params, sqrs, lr, batch_size):
 首先，导入本节中实验所需的包或模块。
 
 ```{.python .input}
-%matplotlib inline
 import sys
 sys.path.append('..')
 import gluonbook as gb

chapter_optimization/adam-gluon.md

@@ -5,7 +5,6 @@
 首先，导入本节中实验所需的包或模块。
 
 ```{.python .input}
-%matplotlib inline
 import sys
 sys.path.append('..')
 import gluonbook as gb

chapter_optimization/adam.md

@@ -61,7 +61,6 @@ def adam(params, vs, sqrs, lr, batch_size, t):
 首先，导入实验所需的包或模块。
 
 ```{.python .input}
-%matplotlib inline
 import sys
 sys.path.append('..')
 import gluonbook as gb

chapter_optimization/gd-sgd-gluon.md

@@ -5,7 +5,6 @@
 首先，导入本节中实验所需的包或模块。
 
 ```{.python .input}
-%matplotlib inline
 import sys
 sys.path.append('..')
 import gluonbook as gb

chapter_optimization/gd-sgd.md

@@ -120,7 +120,6 @@ def sgd(params, lr, batch_size):
 首先，导入本节中实验所需的包或模块。
 
 ```{.python .input}
-%matplotlib inline
 import sys
 sys.path.append('..')
 import gluonbook as gb

chapter_optimization/momentum-gluon.md

@@ -5,7 +5,6 @@
 首先，导入本节中实验所需的包或模块。
 
 ```{.python .input}
-%matplotlib inline
 import sys
 sys.path.append('..')
 import gluonbook as gb

chapter_optimization/momentum.md

@@ -89,7 +89,6 @@ def sgd_momentum(params, vs, lr, mom, batch_size):
 首先，导入本节中实验所需的包或模块。
 
 ```{.python .input}
-%matplotlib inline
 import sys
 sys.path.append('..')
 import gluonbook as gb

chapter_optimization/optimization-intro.md

@@ -24,7 +24,6 @@
 优化在深度学习中有很多挑战。以下描述了其中的两个挑战：局部最小值和鞍点。为了更好地描述问题，我们先导入本节中实验需要的包或模块。
 
 ```{.python .input  n=1}
-%matplotlib inline
 import sys
 sys.path.append('..')
 import gluonbook as gb

chapter_optimization/rmsprop-gluon.md

@@ -6,7 +6,6 @@
 首先，导入本节中实验所需的包或模块。
 
 ```{.python .input}
-%matplotlib inline
 import sys
 sys.path.append('..')
 import gluonbook as gb

chapter_optimization/rmsprop.md

@@ -44,7 +44,6 @@ def rmsprop(params, sqrs, lr, gamma, batch_size):
 首先，导入本节中实验所需的包或模块。
 
 ```{.python .input}
-%matplotlib inline
 import sys
 sys.path.append('..')
 import gluonbook as gb