fix bug

05.understand_sentiment/README.md

@@ -85,7 +85,9 @@ LSTM通过给简单的循环神经网络增加记忆及控制门的方式，增
 $$ h_t=Recrurent(x_t,h_{t-1})$$
 
 其中，$Recrurent$可以表示简单的循环神经网络、GRU或LSTM。
+
 ### 栈式双向LSTM（Stacked Bidirectional LSTM）
+
 对于正常顺序的循环神经网络，$h_t$包含了$t$时刻之前的输入信息，也就是上文信息。同样，为了得到下文信息，我们可以使用反方向（将输入逆序处理）的循环神经网络。结合构建深层循环神经网络的方法（深层神经网络往往能得到更抽象和高级的特征表示），我们可以通过构建更加强有力的基于LSTM的栈式双向循环神经网络\[[9](#参考文献)\]，来对时序数据进行建模。  
 
 如图4所示（以三层为例），奇数层LSTM正向，偶数层LSTM反向，高一层的LSTM使用低一层LSTM及之前所有层的信息作为输入，对最高层LSTM序列使用时间维度上的最大池化即可得到文本的定长向量表示（这一表示充分融合了文本的上下文信息，并且对文本进行了深层次抽象），最后我们将文本表示连接至softmax构建分类模型。

05.understand_sentiment/index.html

@@ -127,7 +127,9 @@ LSTM通过给简单的循环神经网络增加记忆及控制门的方式，增
 $$ h_t=Recrurent(x_t,h_{t-1})$$
 
 其中，$Recrurent$可以表示简单的循环神经网络、GRU或LSTM。
+
 ### 栈式双向LSTM（Stacked Bidirectional LSTM）
+
 对于正常顺序的循环神经网络，$h_t$包含了$t$时刻之前的输入信息，也就是上文信息。同样，为了得到下文信息，我们可以使用反方向（将输入逆序处理）的循环神经网络。结合构建深层循环神经网络的方法（深层神经网络往往能得到更抽象和高级的特征表示），我们可以通过构建更加强有力的基于LSTM的栈式双向循环神经网络\[[9](#参考文献)\]，来对时序数据进行建模。  
 
 如图4所示（以三层为例），奇数层LSTM正向，偶数层LSTM反向，高一层的LSTM使用低一层LSTM及之前所有层的信息作为输入，对最高层LSTM序列使用时间维度上的最大池化即可得到文本的定长向量表示（这一表示充分融合了文本的上下文信息，并且对文本进行了深层次抽象），最后我们将文本表示连接至softmax构建分类模型。