From 247e7d1db4367cc1eb080fde6169d4e65393c57d Mon Sep 17 00:00:00 2001 From: tink2123 Date: Thu, 14 Feb 2019 13:44:05 +0000 Subject: [PATCH] fixed the translation of train, removed trainer and inferencer descriptions --- 02.recognize_digits/README.cn.md | 16 +++++----------- 02.recognize_digits/index.cn.html | 16 +++++----------- 2 files changed, 10 insertions(+), 22 deletions(-) diff --git a/02.recognize_digits/README.cn.md b/02.recognize_digits/README.cn.md index 08c4107..5731b48 100644 --- a/02.recognize_digits/README.cn.md +++ b/02.recognize_digits/README.cn.md @@ -29,7 +29,7 @@ MNIST吸引了大量的科学家基于此数据集训练模型，1998年，LeCun - $Y$是输出：分类器的输出是10类数字（0-9），即$Y=\left ( y_0, y_1, \dots, y_9 \right )$，每一维$y_i$代表图片分类为第$i$类数字的概率。 -- $Label$是图片的真实标签：$Label=\left ( l_0, l_1, \dots, l_9 \right )$也是10维，但只有一维为1，其他都为0。例如某张图片上的数字为2，则它的标签为$(0,1,0, \dot, 0)$ +- $Label$是图片的真实标签：$Label=\left ( l_0, l_1, \dots, l_9 \right )$也是10维，但只有一维为1，其他都为0。例如某张图片上的数字为2，则它的标签为$(0,0,1,0, \dot, 0)$ ### Softmax回归(Softmax Regression) @@ -152,13 +152,7 @@ PaddlePaddle在API中提供了自动加载[MNIST](http://yann.lecun.com/exdb/mni 2. `train_program`：指定如何从 `inference_program` 和`标签值`中获取 `loss` 的函数， 这是指定损失计算的地方。 -3. `optimizer_func`: 指定优化器配置的函数，优化器负责减少损失并驱动培训，Paddle 支持多种不同的优化器。 - -4. `Trainer`：PaddlePaddle Trainer 管理由 `train_program` 和 `optimizer` 指定的训练过程。 -通过 `event_handler` 回调函数，用户可以监控培训的进展。 - -5. `Inferencer`：Fluid inferencer 加载 `inference_program` 和由 Trainer 训练的参数。 -然后，它可以推断数据和返回预测。 +3. `optimizer_func`: 指定优化器配置的函数，优化器负责减少损失并驱动训练，Paddle 支持多种不同的优化器。 在下面的代码示例中，我们将深入了解它们。 @@ -326,14 +320,14 @@ test_reader = paddle.batch( paddle.dataset.mnist.test(), batch_size=BATCH_SIZE) ``` -### Trainer 训练过程 +### 构建训练过程 -现在，我们需要构建一个训练过程。将使用到前面定义的训练程序 `train_program`, `place` 和优化器 `optimizer`，并包含训练迭代、检查训练期间测试误差以及保存所需要用来预测的模型参数。 +现在，我们需要构建一个训练过程。将使用到前面定义的训练程序 `train_program`, `place` 和优化器 `optimizer`,并包含训练迭代、检查训练期间测试误差以及保存所需要用来预测的模型参数。 #### Event Handler 配置 -我们可以在训练期间通过调用一个handler函数来监控培训进度。 +我们可以在训练期间通过调用一个handler函数来监控训练进度。 我们将在这里演示两个 `event_handler` 程序。请随意修改 Jupyter Notebook ，看看有什么不同。 `event_handler` 用来在训练过程中输出训练结果 diff --git a/02.recognize_digits/index.cn.html b/02.recognize_digits/index.cn.html index 9fd4858..974b957 100644 --- a/02.recognize_digits/index.cn.html +++ b/02.recognize_digits/index.cn.html @@ -71,7 +71,7 @@ MNIST吸引了大量的科学家基于此数据集训练模型，1998年，LeCun - $Y$是输出：分类器的输出是10类数字（0-9），即$Y=\left ( y_0, y_1, \dots, y_9 \right )$，每一维$y_i$代表图片分类为第$i$类数字的概率。 -- $Label$是图片的真实标签：$Label=\left ( l_0, l_1, \dots, l_9 \right )$也是10维，但只有一维为1，其他都为0。例如某张图片上的数字为2，则它的标签为$(0,1,0, \dot, 0)$ +- $Label$是图片的真实标签：$Label=\left ( l_0, l_1, \dots, l_9 \right )$也是10维，但只有一维为1，其他都为0。例如某张图片上的数字为2，则它的标签为$(0,0,1,0, \dot, 0)$ ### Softmax回归(Softmax Regression) @@ -194,13 +194,7 @@ PaddlePaddle在API中提供了自动加载[MNIST](http://yann.lecun.com/exdb/mni 2. `train_program`：指定如何从 `inference_program` 和`标签值`中获取 `loss` 的函数， 这是指定损失计算的地方。 -3. `optimizer_func`: 指定优化器配置的函数，优化器负责减少损失并驱动培训，Paddle 支持多种不同的优化器。 - -4. `Trainer`：PaddlePaddle Trainer 管理由 `train_program` 和 `optimizer` 指定的训练过程。 -通过 `event_handler` 回调函数，用户可以监控培训的进展。 - -5. `Inferencer`：Fluid inferencer 加载 `inference_program` 和由 Trainer 训练的参数。 -然后，它可以推断数据和返回预测。 +3. `optimizer_func`: 指定优化器配置的函数，优化器负责减少损失并驱动训练，Paddle 支持多种不同的优化器。 在下面的代码示例中，我们将深入了解它们。 @@ -368,14 +362,14 @@ test_reader = paddle.batch( paddle.dataset.mnist.test(), batch_size=BATCH_SIZE) ``` -### Trainer 训练过程 +### 构建训练过程 -现在，我们需要构建一个训练过程。将使用到前面定义的训练程序 `train_program`, `place` 和优化器 `optimizer`，并包含训练迭代、检查训练期间测试误差以及保存所需要用来预测的模型参数。 +现在，我们需要构建一个训练过程。将使用到前面定义的训练程序 `train_program`, `place` 和优化器 `optimizer`,并包含训练迭代、检查训练期间测试误差以及保存所需要用来预测的模型参数。 #### Event Handler 配置 -我们可以在训练期间通过调用一个handler函数来监控培训进度。 +我们可以在训练期间通过调用一个handler函数来监控训练进度。 我们将在这里演示两个 `event_handler` 程序。请随意修改 Jupyter Notebook ，看看有什么不同。 `event_handler` 用来在训练过程中输出训练结果 -- GitLab