2020-09-06 17:14:45

docs/tf-1x-dl-cookbook/00.md

@@ -73,7 +73,7 @@
 
 # 约定
 
-在本书中，您将找到许多可以区分不同类型信息的文本样式。 以下是这些样式的一些示例，并解释了其含义。 文本，数据库表名称，文件夹名称，文件名，文件扩展名，路径名，虚拟 URL，用户输入和 Twitter 句柄中的代码字显示如下：“我们刚刚使用以下命令创建了`jiradb`数据库，在数据库中为 JIRA 创建新用户并授予该用户访问权限”。
+在本书中，您将找到许多可以区分不同类型信息的文本风格。 以下是这些风格的一些示例，并解释了其含义。 文本，数据库表名称，文件夹名称，文件名，文件扩展名，路径名，虚拟 URL，用户输入和 Twitter 句柄中的代码字显示如下：“我们刚刚使用以下命令创建了`jiradb`数据库，在数据库中为 JIRA 创建新用户并授予该用户访问权限”。
 
 代码块设置如下：
 

docs/tf-1x-dl-cookbook/04.md

@@ -4,7 +4,7 @@
 
 *   创建一个卷积网络对手写 MNIST 编号进行分类
 *   创建一个卷积网络对 CIFAR-10 进行分类
-*   使用 VGG19 迁移样式用于图像重绘
+*   使用 VGG19 迁移风格用于图像重绘
 *   使用预训练的 VGG16 网络进行迁移学习
 *   创建 DeepDream 网络
 
@@ -448,13 +448,13 @@ Jupyter 执行 CIFAR10 分类的示例
 
 要安装 TFLearn，请参阅[《安装指南》](http://tflearn.org/installation)，如果您想查看更多示例，可以在线获取[一长串久经考验的解决方案](http://tflearn.org/examples/)。
 
-# 使用 VGG19 迁移样式用于图像重绘
+# 使用 VGG19 迁移风格用于图像重绘
 
-在本秘籍中，您将教计算机如何绘画。 关键思想是拥有绘画模型图像，神经网络可以从该图像推断绘画风格。 然后，此样式将转移到另一张图片，并相应地重新粉刷。 该秘籍是对`log0`开发的代码的修改，[可以在线获取](https://github.com/log0/neural-style-painting/blob/master/TensorFlow%20Implementation%20of%20A%20Neural%20Algorithm%20of%20Artistic%20Style.ipynb)。
+在本秘籍中，您将教计算机如何绘画。 关键思想是拥有绘画模型图像，神经网络可以从该图像推断绘画风格。 然后，此风格将迁移到另一张图片，并相应地重新粉刷。 该秘籍是对`log0`开发的代码的修改，[可以在线获取](https://github.com/log0/neural-style-painting/blob/master/TensorFlow%20Implementation%20of%20A%20Neural%20Algorithm%20of%20Artistic%20Style.ipynb)。
 
 # 准备
 
-我们将实现在论文[《一种艺术风格的神经算法》](https://arxiv.org/abs/1508.06576)中描述的算法，作者是 Leon A. Gatys，亚历山大 S. Ecker 和 Matthias Bethge。 因此，最好先阅读[该论文](https://arxiv.org/abs/1508.06576)。 此秘籍将重复使用在线提供的预训练模型 [VGG19](http://www.vlfeat.org/matconvnet/models/beta16/imagenet-vgg-verydeep-19.mat)，该模型应在本地下载。 我们的风格图片将是一幅可在线获得的[梵高著名画作](https://commons.wikimedia.org/wiki/File:VanGogh-starry_night.jpg)，而我们的内容图片则是[从维基百科下载的玛丽莲梦露的照片](https://commons.wikimedia.org/wiki/File:Marilyn_Monroe_in_1952.jpg)。 内容图像将根据梵高的样式重新绘制。
+我们将实现在论文[《一种艺术风格的神经算法》](https://arxiv.org/abs/1508.06576)中描述的算法，作者是 Leon A. Gatys，亚历山大 S. Ecker 和 Matthias Bethge。 因此，最好先阅读[该论文](https://arxiv.org/abs/1508.06576)。 此秘籍将重复使用在线提供的预训练模型 [VGG19](http://www.vlfeat.org/matconvnet/models/beta16/imagenet-vgg-verydeep-19.mat)，该模型应在本地下载。 我们的风格图片将是一幅可在线获得的[梵高著名画作](https://commons.wikimedia.org/wiki/File:VanGogh-starry_night.jpg)，而我们的内容图片则是[从维基百科下载的玛丽莲梦露的照片](https://commons.wikimedia.org/wiki/File:Marilyn_Monroe_in_1952.jpg)。 内容图像将根据梵高的风格重新绘制。
 
 # 操作步骤
 
@@ -477,7 +477,7 @@ import Image %matplotlib inline from __future__
 import division
 ```
 
-2.  然后，设置用于学习样式的图像的输入路径，并根据样式设置要重绘的内容图像的输入路径：
+2.  然后，设置用于学习风格的图像的输入路径，并根据风格设置要重绘的内容图像的输入路径：
 
 ```py
 OUTPUT_DIR = 'output/' 
@@ -487,7 +487,7 @@ STYLE_IMAGE = 'data/StarryNight.jpg'
 CONTENT_IMAGE = 'data/Marilyn_Monroe_in_1952.jpg'
 ```
 
-3.  然后，我们设置图像生成过程中使用的噪声比，以及在重画内容图像时要强调的内容损失和样式损失。 除此之外，我们存储通向预训练的 VGG 模型的路径和在 VGG 预训练期间计算的平均值。 这个平均值是已知的，可以从 VGG 模型的输入中减去：
+3.  然后，我们设置图像生成过程中使用的噪声比，以及在重画内容图像时要强调的内容损失和风格损失。 除此之外，我们存储通向预训练的 VGG 模型的路径和在 VGG 预训练期间计算的平均值。 这个平均值是已知的，可以从 VGG 模型的输入中减去：
 
 ```py
 # how much noise is in the image 
@@ -512,7 +512,7 @@ content_image = scipy.misc.imread(CONTENT_IMAGE) imshow(content_image)
 
 ![](img/359c23f6-f761-4df1-9542-0234e69e01d0.png)
 
-5.  调整样式图像的大小并显示它只是为了了解它的状态。 请注意，内容图像和样式图像现在具有相同的大小和相同数量的颜色通道：
+5.  调整风格图像的大小并显示它只是为了了解它的状态。 请注意，内容图像和风格图像现在具有相同的大小和相同数量的颜色通道：
 
 ```py
 style_image = scipy.misc.imread(STYLE_IMAGE) 
@@ -533,7 +533,7 @@ imshow(style_image)
 
 [文森特·梵高画作的一个例子](https://commons.wikimedia.org/wiki/File:VanGogh-starry_night_ballance1.jpg)
 
-6.  下一步是按照原始论文中的描述定义 VGG 模型。 请注意，深度学习网络相当复杂，因为它结合了具有 ReLU 激活函数和最大池的多个卷积网络层。 另外需要注意的是，在原始论文《转移样式》（Leon A. Gatys，Alexander S. Ecker 和 Matthias Bethge 撰写的《一种艺术风格的神经算法》）中，许多实验表明，平均合并实际上优于最大池化。 因此，我们将改用平均池：
+6.  下一步是按照原始论文中的描述定义 VGG 模型。 请注意，深度学习网络相当复杂，因为它结合了具有 ReLU 激活函数和最大池的多个卷积网络层。 另外需要注意的是，在原始论文《风格迁移》（Leon A. Gatys，Alexander S. Ecker 和 Matthias Bethge 撰写的《一种艺术风格的神经算法》）中，许多实验表明，平均合并实际上优于最大池化。 因此，我们将改用平均池：
 
 ```py
 def load_vgg_model(path, image_height, image_width, color_channels):
@@ -680,7 +680,7 @@ STYLE_LAYERS = [
 ]
 ```
 
-9.  定义样式损失函数，如原始论文中所述：
+9.  定义风格损失函数，如原始论文中所述：
 
 ```py
 def style_loss_func(sess, model):
@@ -766,7 +766,7 @@ content_image = load_image(CONTENT_IMAGE) imshow(content_image[0])
 
 ![](img/cbafb8f7-787c-4584-864f-3ad4c6acaeb3.png)
 
-13.  加载处理后的样式图像并显示它：
+13.  加载处理后的风格图像并显示它：
 
 ```py
 style_image = load_image(STYLE_IMAGE) imshow(style_image[0])
@@ -859,13 +859,13 @@ sess.run(tf.reduce_sum(mixed_image)))
 
 # 工作原理
 
-在本秘籍中，我们已经看到了如何使用样式转换来重绘内容图像。 样式图像已作为神经网络的输入提供，该网络学习了定义画家采用的样式的关键方面。 这些方面已用于将样式转移到内容图像。
+在本秘籍中，我们已经看到了如何使用风格转换来重绘内容图像。 风格图像已作为神经网络的输入提供，该网络学习了定义画家采用的风格的关键方面。 这些方面已用于将风格迁移到内容图像。
 
 # 更多
 
-自 2015 年提出原始建议以来，样式转换一直是活跃的研究领域。已经提出了许多新想法来加速计算并将样式转换扩展到视频分析。 其中有两个结果值得一提
+自 2015 年提出原始建议以来，风格转换一直是活跃的研究领域。已经提出了许多新想法来加速计算并将风格转换扩展到视频分析。 其中有两个结果值得一提
 
-这篇文章是 [Logan Engstrom](https://github.com/lengstrom/fast-style-transfer/) 的快速样式转换，介绍了一种非常快速的实现，该实现也可以与视频一起使用。
+这篇文章是 [Logan Engstrom](https://github.com/lengstrom/fast-style-transfer/) 的快速风格转换，介绍了一种非常快速的实现，该实现也可以与视频一起使用。
 
 通过 [deepart](https://deepart.io/) 网站，您可以播放自己的图像，并以自己喜欢的艺术家的风格重新绘制图片。 还提供了 Android 应用，iPhone 应用和 Web 应用。
 
@@ -1158,7 +1158,7 @@ DeepDream 转换的示例。 其中一位作家变成了狼
 
 # 更多
 
-许多网站都允许您直接玩 DeepDream。 我特别喜欢[`DeepArt.io`](https://deepart.io/)，它允许您上传内容图像和样式图像并在云上进行学习。
+许多网站都允许您直接玩 DeepDream。 我特别喜欢[`DeepArt.io`](https://deepart.io/)，它允许您上传内容图像和风格图像并在云上进行学习。
 
 # 另见
 

docs/tf-1x-dl-cookbook/05.md

@@ -702,7 +702,7 @@ features = model.predict(x)
 
 较低的层标识较低阶的特征（例如颜色和边缘），较高的层将这些较低阶的特征组合为较高阶的特征（例如形状或对象）。 因此，中间层具有从图像中提取重要特征的能力，并且这些特征更有可能有助于不同种类的分类。
 
-这具有多个优点。 首先，我们可以依靠公开提供的大规模训练，并将这种学习转移到新颖的领域。 其次，我们可以节省昂贵的大型训练时间。 第三，即使我们没有针对该领域的大量训练示例，我们也可以提供合理的解决方案。 对于手头的任务，我们也有一个很好的起始网络形状，而不是猜测它。
+这具有多个优点。 首先，我们可以依靠公开提供的大规模训练，并将这种学习迁移到新颖的领域。 其次，我们可以节省昂贵的大型训练时间。 第三，即使我们没有针对该领域的大量训练示例，我们也可以提供合理的解决方案。 对于手头的任务，我们也有一个很好的起始网络形状，而不是猜测它。
 
 # 用于迁移学习的非常深的 InceptionV3 网络
 

docs/tf-1x-dl-cookbook/13.md

@@ -49,7 +49,7 @@ MAML 能够在流行的少拍图像分类基准上大大胜过许多现有方法
 *   Google 提出了[采用 RNN 作为控制器的方法](https://research.googleblog.com/2017/05/using-machine-learning-to-explore.html)，该方法使用机器学习来探索神经网络架构。
 *   [《带有增强学习的神经架构搜索》](https://arxiv.org/abs/1611.01578)（Barret Zoph，Quoc V. Le）是一篇开创性的论文，它证明了有关 Google 方法的更多细节。 但是，RNN 不是唯一的选择。
 *   [《图像分类器的大规模发展》](https://arxiv.org/abs/1703.01041)（Esteban Real，Sherry Moore，Andrew Selle，Saurabh Saxena，Yutaka Leon Suematsu，Jie Tan，Quoc Le，Alex Kurakin，2017 年）提出在进化遗传算法中使用遗传计算来探索新的候选网络。
-*   [《学习用于可伸缩图像识别的可转移架构》](https://arxiv.org/abs/1707.07012)（Barret Zoph，Vijay Vasudevan，Jonathon Shlens，Quoc V. Le）提出了在 CIFAR 上学习的单元，用于改善 ImageNet 分类。
+*   [《学习用于可伸缩图像识别的可迁移架构》](https://arxiv.org/abs/1707.07012)（Barret Zoph，Vijay Vasudevan，Jonathon Shlens，Quoc V. Le）提出了在 CIFAR 上学习的单元，用于改善 ImageNet 分类。
 *   [《构建可以建立人工智能的 AI》](https://www.nytimes.com/2017/11/05/technology/machine-learning-artificial-intelligence-ai.html)：谷歌和其他公司为争夺一小部分研究人员而奋斗，他们正在寻找自动方法来应对人工智能专家的短缺。
 *   [《用于快速适应深度网络的模型不可知元学习》](https://arxiv.org/abs/1703.03400)（切尔西·芬恩（Chelsea Finn），彼得·阿比耶尔（Pieter Abbeel），谢尔盖·莱文（Sergey Levine），2017 年）。
 *   [《通过梯度下降学习》](https://arxiv.org/abs/1606.04474)（Marcin Andrychowicz，Misha Denil，Sergio Gomez，Matthew W. Hoffman，David Pfau，Tom Schaul，Brendan Shillingford，Nando de Freitas）展示了如何将优化算法的设计转换为学习问题，从而使该算法能够自动学习感兴趣的问题中的结构。 LSMT 学习的算法在训练任务上胜过手工设计的竞争对手，并且可以很好地推广到结构相似的新任务。 该算法的代码可在 [GitHub](https://github.com/deepmind/learning-to-learn) 上获得。