2022-01-16 00:06:52

trans/keras/choose-an-activation-function-for-deep-learning.md

@@ -158,7 +158,7 @@ pyplot.show()
 
 运行该示例计算一系列值的输出，并创建输入与输出的关系图。
 
-我们可以看到熟悉的 S 形的Sigmoid激活函数。
+我们可以看到熟悉的 S 形的 Sigmoid 激活函数。
 
 ![Plot of Inputs vs. Outputs for the Sigmoid Activation Function.](img/64e9917fa31d025a855334f80d5d0079.png)
 
@@ -170,7 +170,7 @@ Sigmoid 激活函数的输入与输出图。
 
 双曲正切激活函数也简称为 Tanh(也是“ *tanh* ”和“ *TanH* ”)函数。
 
-它与Sigmoid激活函数非常相似，甚至具有相同的 S 形。
+它与 Sigmoid 激活函数非常相似，甚至具有相同的 S 形。
 
 该函数将任何实数值作为输入，并输出-1 到 1 范围内的值。输入越大(越正)，输出值越接近 1.0，而输入越小(越负)，输出越接近-1.0。
 
@@ -327,7 +327,7 @@ pyplot.show()
 
 运行该示例计算一系列值的输出，并创建输入与输出的关系图。
 
-我们可以看到熟悉的 S 形的Sigmoid激活函数。
+我们可以看到熟悉的 S 形的 Sigmoid 激活函数。
 
 ![Plot of Inputs vs. Outputs for the Sigmoid Activation Function.](img/64e9917fa31d025a855334f80d5d0079.png)
 
@@ -401,9 +401,9 @@ print(outputs.sum())
 
 如果有两个互斥的类(二进制分类)，那么您的输出层将有一个节点，应该使用 sigmoid 激活函数。如果有两个以上互斥的类(多类分类)，那么你的输出层每个类有一个节点，应该使用 softmax 激活。如果有两个或更多相互包含的类(multilabel 分类)，那么输出层将为每个类提供一个节点，并使用 sigmoid 激活函数。
 
-*   **二元分类**:一个节点，Sigmoid激活。
+*   **二元分类**:一个节点，Sigmoid 激活。
 *   **多类分类**:每类一个节点，softmax 激活。
-*   **多标签分类**:每类一个节点，Sigmoid激活。
+*   **多标签分类**:每类一个节点，Sigmoid 激活。
 
 下图总结了如何为神经网络模型的输出层选择激活函数。
 

trans/keras/practical-deep-learning-for-coders-review.md

@@ -61,7 +61,7 @@ fast.ai 是一个小型组织，提供关于实用机器学习和深度学习的
 
 重要的是，课程从 v1 到 v2 的主要变化是从 [Keras 深度学习框架](https://keras.io/)(谷歌 TensorFlow 的包装器)转移到自己的开源 [fast.ai 库](https://github.com/fastai/fastai)，它为脸书的 [PyTorch 深度学习框架](https://pytorch.org/)提供了包装器。
 
-这种从Keras到 PyTorch 的转变是出于灵活性的考虑。他们自己的包装器捕获了许多最先进的方法和最佳实践，但也隐藏了许多细节。它可能最适合从业者，而不太适合学者，比更一般的Keras。
+这种从 Keras 到 PyTorch 的转变是出于灵活性的考虑。他们自己的包装器捕获了许多最先进的方法和最佳实践，但也隐藏了许多细节。它可能最适合从业者，而不太适合学者，比更一般的 Keras。
 
 ## 课程分解
 

trans/keras/pytorch-tutorial-develop-deep-learning-models.md

@@ -57,7 +57,7 @@ PyTorch 教程-如何开发深度学习模型
 
 **你不需要什么都懂(至少现在不需要)**。你的目标是把教程从头到尾看一遍，并得到一个结果。你不需要第一遍就明白所有的事情。边走边列出你的问题。大量使用 API 文档来了解您正在使用的所有功能。
 
-**你不需要Prophet道数学**。数学是描述算法如何工作的简洁方式，特别是来自线性代数、概率和微积分的工具。这些不是你可以用来学习算法如何工作的唯一工具。您还可以使用代码并探索具有不同输入和输出的算法行为。知道数学不会告诉你选择什么算法或者如何最好地配置它。你只能通过精心控制的实验来发现这一点。
+**你不需要 Prophet 道数学**。数学是描述算法如何工作的简洁方式，特别是来自线性代数、概率和微积分的工具。这些不是你可以用来学习算法如何工作的唯一工具。您还可以使用代码并探索具有不同输入和输出的算法行为。知道数学不会告诉你选择什么算法或者如何最好地配置它。你只能通过精心控制的实验来发现这一点。
 
 **你不需要知道算法是如何工作的**。了解这些限制以及如何配置深度学习算法非常重要。但是关于算法的学习可以在以后进行。你需要长时间慢慢积累这些算法知识。今天，从适应平台开始。
 

trans/keras/softmax-activation-function-with-python.md

@@ -52,7 +52,7 @@ softmax 函数在应用机器学习中最常见的用途是用作神经网络模
 
 假设没有对输入的加权和执行任何变换，则线性激活函数可以输出任何数值。这使得线性激活函数不适用于预测二项式或多项式情况下的概率。
 
-### Sigmoid激活函数
+### Sigmoid 激活函数
 
 预测类成员概率的另一种方法是使用 sigmoid 激活函数。
 

trans/keras/tensorflow-tutorial-deep-learning-with-tf-keras.md

@@ -74,7 +74,7 @@ TensorFlow 是由谷歌开发和维护的首要开源深度学习框架。虽然
 
 **你不需要什么都懂(至少现在不需要)**。您的目标是将教程从头到尾运行一遍并获得结果。你不需要第一遍就明白所有的事情。边走边列出你的问题。大量使用 API 文档来了解您正在使用的所有功能。
 
-**你不需要Prophet道数学**。数学是描述算法如何工作的简洁方式，特别是来自[线性代数](https://machinelearningmastery.com/start-here/#linear_algebra)、[概率](https://machinelearningmastery.com/start-here/#probability)和[统计](https://machinelearningmastery.com/start-here/#statistical_methods)的工具。这些不是你可以用来学习算法如何工作的唯一工具。您还可以使用代码并探索具有不同输入和输出的算法行为。知道数学不会告诉你选择什么算法或者如何最好地配置它。你只能通过仔细的受控实验来发现这一点。
+**你不需要 Prophet 道数学**。数学是描述算法如何工作的简洁方式，特别是来自[线性代数](https://machinelearningmastery.com/start-here/#linear_algebra)、[概率](https://machinelearningmastery.com/start-here/#probability)和[统计](https://machinelearningmastery.com/start-here/#statistical_methods)的工具。这些不是你可以用来学习算法如何工作的唯一工具。您还可以使用代码并探索具有不同输入和输出的算法行为。知道数学不会告诉你选择什么算法或者如何最好地配置它。你只能通过仔细的受控实验来发现这一点。
 
 **你不需要知道算法是如何工作的**。了解这些限制以及如何配置深度学习算法非常重要。但是关于算法的学习可以在以后进行。你需要长时间慢慢积累这些算法知识。今天，从适应平台开始。
 

trans/lstm/reshape-input-data-long-short-term-memory-networks-keras.md

-# 如何重塑Keras长短期记忆网络的输入数据
+# 如何重塑 Keras 长短期记忆网络的输入数据
 
 > 原文：<https://machinelearningmastery.com/reshape-input-data-long-short-term-memory-networks-keras/>
 
@@ -24,7 +24,7 @@
 
 ![How to Reshape Input for Long Short-Term Memory Networks in Keras](img/8fc6bb4ace397f56877135f7cedfc102.png)
 
-如何在Keras重塑长短期记忆网络的输入
+如何在 Keras 重塑长短期记忆网络的输入
 图片由[全球景观论坛](https://www.flickr.com/photos/152793655@N07/33495968401/)提供，保留部分权利。
 
 ## 教程概述

trans/sklearn/gaussian-processes-for-classification-with-python.md

@@ -28,7 +28,7 @@
 本教程分为三个部分；它们是:
 
 1.  高斯分类过程
-2.  用 Sklearn高斯过程
+2.  用 Sklearn 高斯过程
 3.  调整高斯过程超参数
 
 ## 高斯分类过程
@@ -71,7 +71,7 @@
 
 *   [机器学习的高斯过程](https://amzn.to/3aY1nsu)，2006。
 
-## 用 Sklearn高斯过程
+## 用 Sklearn 高斯过程
 
 高斯过程分类器可通过[高斯过程分类器类](https://Sklearn.org/stable/modules/generated/sklearn.gaussian_process.GaussianProcessClassifier.html)在 Sklearn Python 机器学习库中获得。
 

trans/sklearn/linear-discriminant-analysis-with-python.md

@@ -28,7 +28,7 @@
 本教程分为三个部分；它们是:
 
 1.  线性判别分析
-2.  基于 Sklearn的线性判别分析
+2.  基于 Sklearn 的线性判别分析
 3.  调整线性判别分析超参数
 
 ## 线性判别分析
@@ -63,7 +63,7 @@ LDA 模型自然是多类的。这意味着它支持两类分类问题，并且
 
 现在我们已经熟悉了 LDA，让我们看看如何使用 Sklearn 库来拟合和评估模型。
 
-## 基于 Sklearn的线性判别分析
+## 基于 Sklearn 的线性判别分析
 
 线性判别分析可通过[线性判别分析类](https://Sklearn.org/stable/modules/generated/sklearn.discriminant_analysis.LinearDiscriminantAnalysis.html)在 Sklearn Python 机器学习库中获得。
 

trans/sklearn/nearest-shrunken-centroids-with-python.md

@@ -22,7 +22,7 @@
 
 ![Nearest Shrunken Centroids With Python](img/a0b81176fcb54f89f21a5b771d530f04.png)
 
-Giuseppe Milo 拍摄的最近的Python缩小质心
+Giuseppe Milo 拍摄的最近的 Python 缩小质心
 照片，保留部分权利。
 
 ## 教程概述
@@ -30,7 +30,7 @@ Giuseppe Milo 拍摄的最近的Python缩小质心
 本教程分为三个部分；它们是:
 
 1.  最近质心算法
-2.  用 Sklearn最近的质心
+2.  用 Sklearn 最近的质心
 3.  调谐最近质心超参数
 
 ## 最近质心算法
@@ -61,7 +61,7 @@ A [质心](https://en.wikipedia.org/wiki/Centroid)是数据分布的几何中心
 
 这种方法被称为“*最近的收缩着丝粒*”，最早由[罗伯特·蒂比什拉尼](https://statweb.stanford.edu/~tibs/)等人在他们 2002 年发表的题为“[通过基因表达的收缩着丝粒](https://www.pnas.org/content/99/10/6567.short)诊断多种癌症类型”的论文中描述
 
-## 用 Sklearn最近的质心
+## 用 Sklearn 最近的质心
 
 最近收缩质心可通过[最近质心类](https://Sklearn.org/stable/modules/generated/sklearn.neighbors.NearestCentroid.html)在 Sklearn Python 机器学习库中获得。
 

trans/start/a-gentle-introduction-to-sigmoid-function.md

@@ -51,7 +51,7 @@ sigmoid 函数及其导数的图形。还显示了一些重要特性。
 6.  函数在其定义域内处处可微。
 7.  从数值上来说，在一个小的数字范围内计算这个函数的值就足够了，例如，[-10，+10]。对于小于-10 的值，该函数的值几乎为零。对于大于 10 的值，该函数的值几乎为 1。
 
-## **Sigmoid挤压功能**
+## **Sigmoid 挤压功能**
 
 sigmoid 函数也被称为挤压函数，因为它的定义域是所有实数的集合，范围是(0，1)。因此，如果函数的输入是非常大的负数或非常大的正数，  输出总是在 0 和 1 之间。-∞和+∞之间的任何数字也是如此。
 
@@ -63,7 +63,7 @@ sigmoid 函数用作神经网络中的激活函数。为了回顾什么是激活
 
 神经网络中的 sigmoid 单元
 
-当神经元的激活函数是 sigmoid 函数时，可以保证该单元的输出总是在 0 和 1 之间。此外，由于 sigmoid 是非线性函数，该单元的输出将是输入加权和的非线性函数。这种采用Sigmoid 函数作为激活函数的神经元被称为Sigmoid单位。
+当神经元的激活函数是 sigmoid 函数时，可以保证该单元的输出总是在 0 和 1 之间。此外，由于 sigmoid 是非线性函数，该单元的输出将是输入加权和的非线性函数。这种采用 Sigmoid 函数作为激活函数的神经元被称为 Sigmoid 单位。
 
 ## **线性与非线性可分性？**
 

trans/ts/time-series-forecasting-with-prophet-in-python.md

@@ -4,38 +4,38 @@
 
 时间序列预测可能具有挑战性，因为有许多不同的方法可以使用，而且每种方法都有许多不同的超参数。
 
-Prophet库是一个开源库，设计用于对单变量时间序列数据集进行预测。它易于使用，旨在自动为模型找到一组好的超参数，以便对默认情况下具有趋势和季节结构的数据进行熟练的预测。
+Prophet 库是一个开源库，设计用于对单变量时间序列数据集进行预测。它易于使用，旨在自动为模型找到一组好的超参数，以便对默认情况下具有趋势和季节结构的数据进行熟练的预测。
 
-在本教程中，您将发现如何使用脸书Prophet库进行时间序列预测。
+在本教程中，您将发现如何使用脸书 Prophet 库进行时间序列预测。
 
 完成本教程后，您将知道:
 
 *   Prophet 是一个由脸书开发的开源库，设计用于单变量时间序列数据的自动预测。
 *   如何拟合预言家模型并使用它们进行样本内和样本外预测。
-*   如何在搁置数据集上评估Prophet模型。
+*   如何在搁置数据集上评估 Prophet 模型。
 
 我们开始吧。
 
 ![Time Series Forecasting With Prophet in Python](img/c8f6da2dd6c2b69b9db4dbddb275c708.png)
 
-时间序列预测与 Python 中的Prophet
+时间序列预测与 Python 中的 Prophet
 图片由[里纳尔多·伍尔格利茨](https://flickr.com/photos/wurglitsch/9466317145/)提供，保留部分权利。
 
 ## 教程概述
 
 本教程分为三个部分；它们是:
 
-1.  Prophet预测图书馆
+1.  Prophet 预测图书馆
 2.  汽车销售数据集
     1.  加载和汇总数据集
     2.  加载和绘制数据集
-3.  Prophet预测汽车销量
-    1.  适合Prophet模型
+3.  Prophet 预测汽车销量
+    1.  适合 Prophet 模型
     2.  进行抽样预测
     3.  进行样本外预测
     4.  手动评估预测模型
 
-## Prophet预测图书馆
+## Prophet 预测图书馆
 
 [预言家](https://github.com/facebook/prophet)，或“*脸书预言家*”，是脸书开发的单变量(单变量)时间序列预测的开源库。
 
@@ -53,7 +53,7 @@ Prophet库是一个开源库，设计用于对单变量时间序列数据集进
 
 该库提供了两个接口，包括 R 和 Python。在本教程中，我们将重点关注 Python 接口。
 
-第一步是使用 Pip 安装Prophet库，如下所示:
+第一步是使用 Pip 安装 Prophet 库，如下所示:
 
 ```py
 sudo pip install fbprophet
@@ -70,7 +70,7 @@ import fbprophet
 print('Prophet %s' % fbprophet.__version__)
 ```
 
-运行该示例会打印Prophet的安装版本。
+运行该示例会打印 Prophet 的安装版本。
 
 你应该有相同或更高的版本。
 
@@ -159,15 +159,15 @@ pyplot.show()
 
 汽车销售数据集的线图
 
-现在我们已经熟悉了数据集，让我们探索如何使用Prophet库进行预测。
+现在我们已经熟悉了数据集，让我们探索如何使用 Prophet 库进行预测。
 
-## Prophet预测汽车销量
+## Prophet 预测汽车销量
 
 在本节中，我们将探索使用预言家来预测汽车销售数据集。
 
 让我们从在数据集上拟合模型开始
 
-### 适合Prophet模型
+### 适合 Prophet 模型
 
 要使用 Prophet 进行预测，首先定义并配置一个 *Prophet()* 对象，然后通过调用 *fit()* 函数并传递数据来拟合数据集。
 
@@ -186,7 +186,7 @@ df.columns = ['ds', 'y']
 df['ds']= to_datetime(df['ds'])
 ```
 
-下面列出了在汽车销售数据集中拟合Prophet模型的完整示例。
+下面列出了在汽车销售数据集中拟合 Prophet 模型的完整示例。
 
 ```py
 # fit prophet model on the car sales dataset
@@ -205,7 +205,7 @@ model = Prophet()
 model.fit(df)
 ```
 
-运行该示例将加载数据集，以预期的格式准备数据帧，并适合Prophet模型。
+运行该示例将加载数据集，以预期的格式准备数据帧，并适合 Prophet 模型。
 
 默认情况下，在拟合过程中，库会提供大量详细的输出。我认为这是一个坏主意，因为它训练开发人员忽略输出。
 
@@ -532,13 +532,13 @@ MAE: 1336.814
 
 过去 12 个月汽车销量的实际值与预测值图
 
-Prophet库还提供了自动评估模型和绘制结果的工具，尽管这些工具对于分辨率超过一天的数据似乎不能很好地工作。
+Prophet 库还提供了自动评估模型和绘制结果的工具，尽管这些工具对于分辨率超过一天的数据似乎不能很好地工作。
 
 ## 进一步阅读
 
 如果您想更深入地了解这个主题，本节将提供更多资源。
 
-*   [Prophet主页](https://facebook.github.io/prophet/)。
+*   [Prophet 主页](https://facebook.github.io/prophet/)。
 *   [Prophet GitHub 项目](https://github.com/facebook/prophet)。
 *   [预言家 API 文档](https://facebook.github.io/prophet/docs/)。
 *   [预言家:规模预测](https://research.fb.com/blog/2017/02/prophet-forecasting-at-scale/)，2017 年。
@@ -548,13 +548,13 @@ Prophet库还提供了自动评估模型和绘制结果的工具，尽管这些
 
 ## 摘要
 
-在本教程中，您发现了如何使用脸书Prophet库进行时间序列预测。
+在本教程中，您发现了如何使用脸书 Prophet 库进行时间序列预测。
 
 具体来说，您了解到:
 
 *   Prophet 是一个由脸书开发的开源库，设计用于单变量时间序列数据的自动预测。
 *   如何拟合预言家模型并使用它们进行样本内和样本外预测。
-*   如何在搁置数据集上评估Prophet模型。
+*   如何在搁置数据集上评估 Prophet 模型。
 
 **你有什么问题吗？**
 在下面的评论中提问，我会尽力回答。
\ No newline at end of file