2020-09-07 11:07:00

docs/dl-quick-ref/01.md

@@ -59,7 +59,7 @@ sigmoid 函数如下所示：
 
 ![](img/de142212-317a-4975-bac2-8a73d64d08c9.png)
 
-对于中间层，`tanh`通常比 S 型更好。 您可能会看到，`tanh`的输出将在`[-1, 1]`之间，而 S 型曲线的输出将为`[0, 1]`。 这种额外的宽度可为消失或爆炸的梯度问题提供一定的弹性，我们将在后面详细介绍。 到目前为止，仅需知道消失的梯度问题就可以使网络在早期的层中收敛非常慢（如果有的话）。 因此，使用`tanh`的网络趋于比使用 S 型激活的网络收敛更快。 也就是说，它们仍然不如 ReLu 快。
+对于中间层，`tanh`通常比 Sigmoid 更好。 您可能会看到，`tanh`的输出将在`[-1, 1]`之间，而 Sigmoid 曲线的输出将为`[0, 1]`。 这种额外的宽度可为消失或爆炸的梯度问题提供一定的弹性，我们将在后面详细介绍。 到目前为止，仅需知道消失的梯度问题就可以使网络在早期的层中收敛非常慢（如果有的话）。 因此，使用`tanh`的网络趋于比使用 Sigmoid 激活的网络收敛更快。 也就是说，它们仍然不如 ReLu 快。
 
 ReLu，或直线激活，简单定义为：
 

docs/dl-quick-ref/13.md

@@ -61,7 +61,7 @@ GAN 的整体体系结构如下图所示。 生成器和判别器分别是单独
 
 # 鉴别器架构
 
-鉴别器的体系结构更像我们在前几章中已经看到的。 它实际上只是一个典型的图像分类器，如下图所示。 输出是 S 型的，因为鉴别器将预测输入图像是真实图像集的成员的概率。 鉴别器正在解决二分类问题：
+鉴别器的体系结构更像我们在前几章中已经看到的。 它实际上只是一个典型的图像分类器，如下图所示。 输出是 Sigmoid 的，因为鉴别器将预测输入图像是真实图像集的成员的概率。 鉴别器正在解决二分类问题：
 
 ![](img/68c3560e-2207-409d-94b3-aebcb4b7d247.png)