refine word2vec img size

word2vec/README.md

@@ -29,7 +29,7 @@ $$X = USV^T$$
 本章中，当词向量训练好后，我们可以用数据可视化算法t-SNE\[[4](#参考文献)\]画出词语特征在二维上的投影（如下图所示）。从图中可以看出，语义相关的词语（如a, the, these; big, huge）在投影上距离很近，语意无关的词（如say, business; decision, japan）在投影上的距离很远。
 
 <p align="center">
-	<img src = "image/2d_similarity.png"><br/>
+	<img src = "image/2d_similarity.png" width=400><br/>
 	图1. 词向量的二维投影
 </p>
 
@@ -81,7 +81,7 @@ $$\frac{1}{T}\sum_t f(w_t, w_{t-1}, ..., w_{t-n+1};\theta) + R(\theta)$$
 
 其中$f(w_t, w_{t-1}, ..., w_{t-n+1})$表示根据历史n-1个词得到当前词$w_t$的条件概率，$R(\theta)$表示参数正则项。
 <p align="center">	
-   	<img src="image/nnlm.png"><br/>
+   	<img src="image/nnlm.png" width=500><br/>
    	图2. N-gram神经网络模型
 </p>
 
@@ -112,7 +112,7 @@ $$\frac{1}{T}\sum_t f(w_t, w_{t-1}, ..., w_{t-n+1};\theta) + R(\theta)$$
 
 CBOW模型通过一个词的上下文（各N个词）预测当前词。当N=2时，模型如下图所示：
 <p align="center">	
-	<img src="image/cbow.png"><br/>
+	<img src="image/cbow.png" width=250><br/>
 	图3. CBOW模型
 </p>
 
@@ -126,7 +126,7 @@ $$context = \frac{x_{t-1} + x_{t-2} + x_{t+1} + x_{t+2}}{4}$$
 
 CBOW的好处是对上下文词语的分布在词向量上进行了平滑，去掉了噪声，因此在小数据集上很有效。而Skip-gram的方法中，用一个词预测其上下文，得到了当前词上下文的很多样本，因此可用于更大的数据集。
 <p align="center">	
-	<img src="image/skipgram.png"><br/>
+	<img src="image/skipgram.png" width=250><br/>
 	图4. Skip-gram模型
 </p>
 如上图所示，Skip-gram模型的具体做法是，将一个词的词向量映射到$2n$个词的词向量（$2n$表示当前输入词的前后各$n$个词），然后分别通过softmax得到这$2n$个词的分类损失值之和。
@@ -267,7 +267,7 @@ settings(
 本配置的模型结构如下图所示：
 
 <p align="center">	
-	<img src="image/ngram.png"><br/>
+	<img src="image/ngram.png" width=400><br/>
 	图5. 模型配置中的N-gram神经网络模型
 </p>