2020-09-05 15:15:12

docs/dl-quick-ref/05.md

@@ -221,7 +221,7 @@ model.fit(x=data["train_X"], y=data["train_y"],
 
 我正在使用与以前相同的回调。 我没有使用我们在[第 4 章](../Text/04.html)和*中构建的 ROC AUC 回调，因为使用 Keras 进行了二进制分类*，因为 ROC AUC 没有为多分类器明确定义。
 
-存在一些针对该问题的创造性解决方案。 例如，[**通过成对分析**](http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.108.3250&rep=rep1&type=pdf)和 [**ROC 表面下体积**](http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.14.2427&rep=rep1&type=pdf) 都是出色的论文，都可以解决这个问题。 但是，实际上，这些方法及其度量标准很少在 R 中使用，最常在 R 中实现。因此，到目前为止，让我们坚持使用多类准确性，并且远离 R。
+存在一些针对该问题的创造性解决方案。 例如，[**通过成对分析**](http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.108.3250&rep=rep1&type=pdf)和 [**ROC 表面下体积**](http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.14.2427&rep=rep1&type=pdf)都是出色的论文，都可以解决这个问题。 但是，实际上，这些方法及其度量标准很少在 R 中使用，最常在 R 中实现。因此，到目前为止，让我们坚持使用多类准确性，并且远离 R。
 
 让我们观看 TensorBoard 在我们的模型训练中：
 
@@ -317,7 +317,7 @@ def build_network(input_features=None):
 
 这里， ; ![](img/778cbc8f-17cd-4358-8279-1cc904d90f55.png)是可以增加或减少以更改应用的正则化量的正则化参数。 此正则化参数会惩罚较大的权重值，从而使网络总体上希望具有较小的权重。
 
-要更深入地了解神经网络中的正则化，请查看 Michael Nielsen 的*神经网络和深度学习*的第 3 章，网址为[，网址为 http://neuralnetworksanddeeplearning.com/chap3.html](http://neuralnetworksanddeeplearning.com/chap3.html) 。
+要更深入地了解神经网络中的正则化，请查看 Michael Nielsen 的[《神经网络和深度学习》的第 3 章](http://neuralnetworksanddeeplearning.com/chap3.html)。
 
 可以将正则化应用于 Keras 层中的权重，偏差和激活。 我将使用带有默认参数的 L2 演示此技术。 在以下示例中，我将正则化应用于每个隐藏层：