2021-01-06 10:41:20

new/handson-ai-gcp/05.md

@@ -158,7 +158,7 @@ done
 
 ![](img/a5f18ed9-d1af-466a-bed3-38977fffbe43.png)
 
-Jupyter Notebooks 允许命令行界面从 Git 存储库中提取代码。 您可以使用左窗格中的文件浏览器查看此代码。 这是一个方便的功能，使多个开发人员可以轻松无缝地进行协作。
+Jupyter 笔记本允许命令行界面从 Git 存储库中提取代码。 您可以使用左窗格中的文件浏览器查看此代码。 这是一个方便的功能，使多个开发人员可以轻松无缝地进行协作。
 
 # 自动执行 AI 笔记本
 

new/handson-dl-arch-py/6.md

@@ -111,7 +111,7 @@ RNN 可以分为*多对一*，*一对多*，*多对多*（同步）和*多对多
 
 如前所述，RNN 通常在 NLP 域中用作语言模型，它在单词序列上分配概率分布，例如机器翻译，PoS 标记和语音识别。 我们将使用一种相当有趣的语言来对问题文本生成进行建模，其中 RNN 模型用于学习指定域的文本序列，然后在所需域中生成全新且合理的文本序列。
 
-基于 RNN 的文本生成器可以接受任何输入文本，例如《哈利波特》等小说，莎士比亚的诗歌以及《星球大战》的电影剧本，并可以生成自己的《哈利波特》，莎士比亚的诗歌和《星球大战》电影剧本。 如果对模型进行了很好的训练，那么人工文本应该是合理的，并且阅读起来应与原始文本相似。 在本部分中，我们将以《战争与和平》和俄罗斯作家列夫·托尔斯泰的小说为例。 随意使用您喜欢的任何书籍进行训练。 我们建议从没有版权保护的书中下载文本数据。 古腾堡计划（ [www.gutenberg.org](http://www.gutenberg.org) ）是一个很好的资源，拥有超过 5.7 万本版权已过期的免费优秀书籍。
+基于 RNN 的文本生成器可以接受任何输入文本，例如《哈利波特》等小说，莎士比亚的诗歌以及《星球大战》的电影剧本，并可以生成自己的《哈利波特》，莎士比亚的诗歌和《星球大战》电影剧本。 如果对模型进行了很好的训练，那么人工文本应该是合理的，并且阅读起来应与原始文本相似。 在本部分中，我们将以《战争与和平》和俄罗斯作家列夫·托尔斯泰的小说为例。 随意使用您喜欢的任何书籍进行训练。 我们建议从没有版权保护的书中下载文本数据。 [古腾堡计划](http://www.gutenberg.org)是一个很好的资源，拥有超过 5.7 万本版权已过期的免费优秀书籍。
 
 首先，我们需要直接从[这里](https://cs.stanford.edu/people/karpathy/char-rnn/warpeace_input.txt)下载《战争与和平》的`.txt`文件。 或者，我们可以从 [Gutenberg 项目](http://www.gutenberg.org/ebooks/2600)下载该文件，但是我们将需要进行一些清理，例如，从文件以及目录中删除开头部分`Project Gutenberg EBook`，以及结尾的`End of the Project`。
 

new/handson-py-dl-web/03.md

@@ -20,7 +20,7 @@
 对于本章，您将需要以下内容：
 
 *   Python 3.6+
-*   烧瓶 1.1.0+
+*   Flask 1.1.0+
 *   TensorFlow 2.0+
 
 # 构建深度学习 Web 应用程序
@@ -83,7 +83,7 @@
 
 将这些文件保存在您的工作目录中。 现在，我们将创建一个 Jupyter 笔记本，对提取的数据集文件执行**探索性数据分析**（**EDA**）。
 
-在浏览器中打开 Jupyter 笔记本环境，然后创建一个新的 Python Notebook。 让我们从导入必要的模块开始：
+在浏览器中打开 Jupyter 笔记本环境，然后创建一个新的 Python 笔记本。 让我们从导入必要的模块开始：
 
 ```py
 import numpy as np
@@ -96,7 +96,7 @@ import matplotlib.pyplot as plt
 %matplotlib inline
 ```
 
-如果您使用的是 Windows，则要提取`.gz`文件，可以使用 7-zip 软件，它是一款出色的压缩/解压缩工具，可以从[免费下载 https：//www.7-zip .org](https://www.7-zip.org) 。
+如果您使用的是 Windows，则要提取`.gz`文件，可以使用 7-zip 软件，它是一款出色的压缩/解压缩工具，可以从[这里](https://www.7-zip.org)免费下载。
 
 # 创建函数以读取图像文件
 
@@ -199,7 +199,7 @@ print(test_labels[0])
 
 在对可用数据集进行了非常简洁的探索之后，我们可以得出以下结果。
 
-训练数据集包含 60,000 张图像，尺寸为 60,000 x 784，其中每张图像为`28 x 28`像素。 样本在数字之间的分布如下：
+训练数据集包含 60,000 张图像，尺寸为`60,000 x 784`，其中每张图像为`28 x 28`像素。 样本在数字之间的分布如下：
 
 | **序号** | **样本数** | **序号** | **样本数** |
 | 0 | 5,923 | 5 | 5,421 |
@@ -674,7 +674,7 @@ curl -X POST -F img=@"path_to_file" http://localhost/predict/
 
 让我们来看一个示例的 API。
 
-假设我们有以下图片，文件名为`self2.png`，尺寸为 275 x 275：
+假设我们有以下图片，文件名为`self2.png`，尺寸为`275 x 275`：
 
 ![](img/c1178ecc-74c4-4240-9fa9-5fa0ff8e6c67.png)
 

new/handson-py-dl-web/11.md

@@ -345,7 +345,7 @@ np.random.seed(5)
 df = pd.read_csv("data/heart.csv")
 ```
 
-我们将快速观察 DataFrame 以查看是否所有列均已正确导入：
+我们将快速观察`DataFrame`以查看是否所有列均已正确导入：
 
 ```py
 df.head(5)
@@ -513,7 +513,7 @@ np.random.seed(5)
 
 请注意，此处的导入与我们在 Jupyter 笔记本中创建模型时进行的导入非常相似。 这是由于我们仅将 Jupyter 笔记本代码转换为用于后端演示的服务器脚本这一事实而解释的。
 
-2.  然后，我们将数据集加载到`pandas` DataFrame 上：
+2.  然后，我们将数据集加载到 pandas `DataFrame`上：
 
 ```py
 df = pd.read_csv("data/heart.csv")

new/master-cv-tf-2x/7.md

@@ -252,7 +252,7 @@ data/carhumanbike.png: Predicted in 0.125068 seconds.
 darknet$ ./darknet classify cfg/tiny.cfg tiny.weights data/dog.jpg
 ```
 
-前面的命令生成的结果类似于 Tiny YOLO 链接中发布的结果（ [wget https://pjreddie.com/media/files/tiny.weights](https://pjreddie.com/darknet/tiny-darknet/) ）：
+前面的命令生成的结果类似于 Tiny YOLO 链接中发布的结果（`wget https://pjreddie.com/media/files/tiny.weights`）：
 
 ```py
 Loading weights from tiny.weights...Done!

new/mobi-dl-tflite/06.md

@@ -664,7 +664,7 @@ tokenizer = Tokenizer(filters='\t\n', char_level=True)
 tokenizer.fit_on_texts(X)
 ```
 
-6.  标记化之后，我们将请求正文中的文本转换为单词向量，如下一步所示。 我们将数据集和 DataFrame 标签分为两部分，即 75%-25%，以进行训练和测试：
+6.  标记化之后，我们将请求正文中的文本转换为单词向量，如下一步所示。 我们将数据集和`DataFrame`标签分为两部分，即 75%-25%，以进行训练和测试：
 
 ```py
 num_words = len(tokenizer.word_index)+1