From 9f62b0003d6be48f93e8ed0b55d5a5da3d2e02c0 Mon Sep 17 00:00:00 2001 From: tink2123 Date: Fri, 12 Oct 2018 00:14:23 -0700 Subject: [PATCH] fix book typo --- 01.fit_a_line/README.cn.md | 4 ---- 01.fit_a_line/index.cn.html | 4 ---- 02.recognize_digits/README.cn.md | 12 ++++++++---- 02.recognize_digits/index.cn.html | 12 ++++++++---- 03.image_classification/README.cn.md | 2 +- 03.image_classification/index.cn.html | 2 +- 6 files changed, 18 insertions(+), 18 deletions(-) diff --git a/01.fit_a_line/README.cn.md b/01.fit_a_line/README.cn.md index bb6c1a4..14e19a8 100644 --- a/01.fit_a_line/README.cn.md +++ b/01.fit_a_line/README.cn.md @@ -230,10 +230,6 @@ trainer.train( event_handler=event_handler_plot, feed_order=feed_order) ``` -
-
-图3 训练结果 -
## 预测 diff --git a/01.fit_a_line/index.cn.html b/01.fit_a_line/index.cn.html index c5a8ba6..8077fc7 100644 --- a/01.fit_a_line/index.cn.html +++ b/01.fit_a_line/index.cn.html @@ -272,10 +272,6 @@ trainer.train( event_handler=event_handler_plot, feed_order=feed_order) ``` -
-
-图3 训练结果 -
## 预测 diff --git a/02.recognize_digits/README.cn.md b/02.recognize_digits/README.cn.md index 41dbe5f..40339f4 100644 --- a/02.recognize_digits/README.cn.md +++ b/02.recognize_digits/README.cn.md @@ -22,8 +22,11 @@ Yann LeCun早先在手写字符识别上做了很多研究，并在研究过程 ## 模型概览 基于MNIST数据训练一个分类器，在介绍本教程使用的三个基本图像分类网络前，我们先给出一些定义： + - $X$是输入：MNIST图片是$28\times28$ 的二维图像，为了进行计算，我们将其转化为$784$维向量，即$X=\left ( x_0, x_1, \dots, x_{783} \right )$。 + - $Y$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。 + - $L$是图片的真实标签：$L=\left ( l_0, l_1, \dots, l_9 \right )$也是10维，但只有一维为1，其他都为0。 ### Softmax回归(Softmax Regression) @@ -133,18 +136,19 @@ PaddlePaddle在API中提供了自动加载[MNIST](http://yann.lecun.com/exdb/mni 我们建议使用 Fluid API，因为它更容易学起来。 下面是快速的 Fluid API 概述。 + 1. `inference_program`：指定如何从数据输入中获得预测的函数。 这是指定网络流的地方。 -1. `train_program`：指定如何从 `inference_program` 和`标签值`中获取 `loss` 的函数。 +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。 -1. `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。 +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。 -1. `Trainer`：PaddlePaddle Trainer 管理由 `train_program` 和 `optimizer` 指定的训练过程。 +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。 -1. `Inferencer`：Fluid inferencer 加载 `inference_program` 和由 Trainer 训练的参数。 +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。 在这个演示中，我们将深入了解它们。 diff --git a/02.recognize_digits/index.cn.html b/02.recognize_digits/index.cn.html index d527082..6b7caec 100644 --- a/02.recognize_digits/index.cn.html +++ b/02.recognize_digits/index.cn.html @@ -64,8 +64,11 @@ Yann LeCun早先在手写字符识别上做了很多研究，并在研究过程 ## 模型概览 基于MNIST数据训练一个分类器，在介绍本教程使用的三个基本图像分类网络前，我们先给出一些定义： + - $X$是输入：MNIST图片是$28\times28$ 的二维图像，为了进行计算，我们将其转化为$784$维向量，即$X=\left ( x_0, x_1, \dots, x_{783} \right )$。 + - $Y$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。 + - $L$是图片的真实标签：$L=\left ( l_0, l_1, \dots, l_9 \right )$也是10维，但只有一维为1，其他都为0。 ### Softmax回归(Softmax Regression) @@ -175,18 +178,19 @@ PaddlePaddle在API中提供了自动加载[MNIST](http://yann.lecun.com/exdb/mni 我们建议使用 Fluid API，因为它更容易学起来。 下面是快速的 Fluid API 概述。 + 1. `inference_program`：指定如何从数据输入中获得预测的函数。 这是指定网络流的地方。 -1. `train_program`：指定如何从 `inference_program` 和`标签值`中获取 `loss` 的函数。 +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。 -1. `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。 +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。 -1. `Trainer`：PaddlePaddle Trainer 管理由 `train_program` 和 `optimizer` 指定的训练过程。 +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。 -1. `Inferencer`：Fluid inferencer 加载 `inference_program` 和由 Trainer 训练的参数。 +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。 在这个演示中，我们将深入了解它们。 diff --git a/03.image_classification/README.cn.md b/03.image_classification/README.cn.md index 53129f3..73e4b8a 100644 --- a/03.image_classification/README.cn.md +++ b/03.image_classification/README.cn.md @@ -173,7 +173,7 @@ from __future__ import print_function 本教程中我们提供了VGG和ResNet两个模型的配置。 -#### VGG +### VGG 首先介绍VGG模型结构，由于CIFAR10图片大小和数量相比ImageNet数据小很多，因此这里的模型针对CIFAR10数据做了一定的适配。卷积部分引入了BN和Dropout操作。 VGG核心模块的输入是数据层，`vgg_bn_drop` 定义了16层VGG结构，每层卷积后面引入BN层和Dropout层，详细的定义如下： diff --git a/03.image_classification/index.cn.html b/03.image_classification/index.cn.html index 0bf5043..5213689 100644 --- a/03.image_classification/index.cn.html +++ b/03.image_classification/index.cn.html @@ -215,7 +215,7 @@ from __future__ import print_function 本教程中我们提供了VGG和ResNet两个模型的配置。 -#### VGG +### VGG 首先介绍VGG模型结构，由于CIFAR10图片大小和数量相比ImageNet数据小很多，因此这里的模型针对CIFAR10数据做了一定的适配。卷积部分引入了BN和Dropout操作。 VGG核心模块的输入是数据层，`vgg_bn_drop` 定义了16层VGG结构，每层卷积后面引入BN层和Dropout层，详细的定义如下： -- GitLab