校对了## 随机搜索算法 之前的部分

docs/dl-keras/why-initialize-a-neural-network-with-random-weights.md

-# 为什么用随机权重初始化神经网络？
+# 神经网络的权重为什么要随机初始化？
 
 > 原文： [https://machinelearningmastery.com/why-initialize-a-neural-network-with-random-weights/](https://machinelearningmastery.com/why-initialize-a-neural-network-with-random-weights/)
 
-必须将人工神经网络的权重初始化为小的随机数。
+人工神经网络的权重（weights）必须初始化为小的随机数。
 
-这是因为这是用于训练模型的随机优化算法的期望，称为随机梯度下降。
+因为用于训练模型的随机优化算法(stochastic optimization algorithm)要求如此，这种算法称为随机梯度下降(stochastic gradient descent)。
 
-要理解这种解决问题的方法，首先必须了解非确定性和随机算法的作用，以及随机优化算法在搜索过程中利用随机性的必要性。
+要理解这种解决问题的方法，您首先必须了解非确定性和随机算法（nondeterministic and randomized algorithms）的作用，以及为什么随机优化算法在参数搜索过程中需要利用随机数。
 
-在这篇文章中，您将发现为什么必须随机初始化神经网络权重的完整背景。
+在这篇文章中，您将学习为什么神经网络的权重必须随机初始化(randomly initialized)。
 
-阅读这篇文章后，你会知道：
+阅读这篇文章后，您会知道：
 
-*   关于针对具有挑战性的问题的非确定性和随机算法的需求。
-*   在随机优化算法中初始化和搜索期间使用随机性。
-*   随机梯度下降是随机优化算法，需要随机初始化网络权重。
+*   处理具有挑战性的问题时我们有时需要非确定性和随机算法。
+*   在随机优化算法中，使用随机数来进行初始化和参数的搜索。
+*   随机梯度下降是随机优化算法，它需要对神经网络的权重进行随机初始化。
 
-让我们开始吧。
+让我们开始吧！
 
 ![Why Initialize a Neural Network with Random Weights?](img/d767349f43cecc391f31806440729f12.png)
 
-为什么用随机权重初始化神经网络？
-照 [lwtt93](https://www.flickr.com/photos/37195641@N03/7086827121/) ，保留一些权利。
+神经网络的权重为什么要随机初始化？
+[lwtt93](https://www.flickr.com/photos/37195641@N03/7086827121/) 的照片，保留一些权利。
 
-## 概观
+## 概要
 
-这篇文章分为 4 部分;他们是：
+这篇文章分为以下 4 个部分：
 
 1.  确定性和非确定性算法
 2.  随机搜索算法
@@ -34,21 +34,19 @@
 
 ## 确定性和非确定性算法
 
-经典算法是确定性的。
-
-一个例子是对列表进行排序的算法。
+经典算法是确定性的（deterministic），例如对列表进行排序的算法。
 
-给定一个未排序的列表，排序算法，比如冒泡排序或快速排序，将系统地对列表进行排序，直到您有一个有序的结果。确定性意味着每次给出相同的列表时，它将以完全相同的方式执行。它将在程序的每个步骤中进行相同的移动。
+假设给定一个未排序的列表，排序算法（比如冒泡排序（bubble sort）或快速排序（quick sort））将系统地对列表进行排序，直到有一个有序的结果。"确定性"意味着每次给定相同的列表时，它将以完全相同的方式执行。它将在程序的每个步骤都进行相同的操作。
 
-确定性算法很棒，因为它们可以保证最佳，最差和平均运行时间。问题是，它们不适合所有问题。
+确定性算法很棒，因为它们可以保证最佳、最差和平均运行时间。问题是，它们并不适合所有问题。
 
-有些问题对计算机来说很难。也许是因为组合的数量;也许是因为数据的大小。它们非常难，因为确定性算法不能用于有效地解决它们。该算法可能会运行，但会继续运行直到宇宙的热量死亡。
+有些问题对计算机来说很难。也许是因为组合的数量，也许是因为数据的大小。它们非常难，因为确定性算法不能有效率地解决它们。该算法可能会运行，但会继续运行直至宇宙因过热而死亡。
 
-另一种解决方案是使用[非确定性算法](https://en.wikipedia.org/wiki/Nondeterministic_algorithm)。这些是在算法执行期间做出决策时使用[随机性](https://en.wikipedia.org/wiki/Randomized_algorithm)元素的算法。这意味着当在相同数据上重新运行相同的算法时，将遵循不同的步骤顺序。
+另一种解决方案是使用[非确定性算法](https://en.wikipedia.org/wiki/Nondeterministic_algorithm)。这些是在算法执行期间做决策时使用[随机性](https://en.wikipedia.org/wiki/Randomized_algorithm)元素的算法。这意味着当在相同数据上重新运行相同的算法时，将遵循不同的步骤顺序。
 
-他们可以迅速加快获得解决方案的过程，但解决方案将是近似的，或“_ 好 _”，但往往不是“_ 最佳 _。”不确定性算法往往不能强保证运行时间或找到的解决方案的质量。
+他们可以大大加快获得解决方案的过程，但解决方案将是近似的，或者说是“_ 好的 _”，但往往不是 “_ 最佳的 _。” 不确定性算法往往不能很好地保证运行时间或其解决方案的质量。
 
-这通常很好，因为问题非常严重，任何好的解决方案通常都会令人满意。
+不过这不是问题。因为这类算法想要解决的问题通常非常难，所以任何好的解决方案都已经可以使人满意了。
 
 ## 随机搜索算法
 
@@ -228,4 +226,4 @@
 *   随机梯度下降是随机优化算法，需要随机初始化网络权重。
 
 你有任何问题吗？
-在下面的评论中提出您的问题，我会尽力回答。
\ No newline at end of file
+在下面的评论中提出您的问题，我会尽力回答。