follow comments.

generate_sequence_by_rnn_lm/README.md

@@ -31,7 +31,7 @@
 ## RNN 语言模型
 ### 简介
 
-RNN是一个序列模型，基本思路是：在时刻$t$，将前一时刻$t-1$的隐藏层输出和$t$时刻的词向量一起输入到隐藏层从而得到时刻$t$的特征表示，然后用这个特征表示得到t时刻的预测输出，如此在时间维上递归下去。可以看出RNN善于使用上文信息、历史知识，具有“记忆”功能。理论上RNN能实现“长依赖”（即利用很久之前的知识），但在实际应用中发现效果并不理想，于是出现了很多RNN的变种，如常用的LSTM和GRU，它们对传统RNN的cell进行了改进，弥补了传统RNN的不足，本例中即使用了LSTM、GRU。下图是RNN（广义上包含了LSTM、GRU等）语言模型“循环”思想的示意图：
+RNN是一个序列模型，基本思路是：在时刻$t$，将前一时刻$t-1$的隐藏层输出和$t$时刻的词向量一起输入到隐藏层从而得到时刻$t$的特征表示，然后用这个特征表示得到$t$时刻的预测输出，如此在时间维上递归下去。可以看出RNN善于使用上文信息、历史知识，具有“记忆”功能。理论上RNN能实现“长依赖”（即利用很久之前的知识），但在实际应用中发现效果并不理想，研究提出了LSTM和GRU等变种，通过引入门机制对传统RNN的记忆单元进行了改进，弥补了传统RNN在学习长序列时遇到的难题。本例模型使用了LSTM或GRU，可通过配置进行修改。下图是RNN（广义上包含了LSTM、GRU等）语言模型“循环”思想的示意图：
 
 <p align=center><img src='images/rnn.png' width='500px'/></p>
 
@@ -65,7 +65,7 @@ RNN是一个序列模型，基本思路是：在时刻$t$，将前一时刻$t-1$
 * 2，运行`python generate.py`运行文本生成。（输入的文本默认为`data/train_data_examples.txt`，生成的文本默认保存到`data/gen_result.txt`中。）
 
 
-**如果需要使用自己的语料、定制模型，需要修改的地方主要是`语料`和`config.py`中的配置，需要注意的细节和适配工作详情如下：**
+**如果需要使用自己的语料、定制模型，需要修改`config.py`中的配置，细节和适配工作详情如下：**
 
 
 ### 语料适配
@@ -133,7 +133,7 @@ RNN是一个序列模型，基本思路是：在时刻$t$，将前一时刻$t-1$
     1. `gen_file`：指定输入数据文件，每行是一个句子的前缀，**需要预先分词**。
     2. `gen_result`：指定输出文件路径，生成结果将写入此文件。
     3. `max_gen_len`：指定每一句生成的话最长长度，如果模型无法生成出`<e>`，当生成 `max_gen_len` 个词语后，生成过程会自动终止。
-    4. `beam_size`：Beam Search 算法每一步的展开宽度
+    4. `beam_size`：Beam Search 算法每一步的展开宽度。
     5. `model_path`：指定训练好的模型的路径。
 
     其中，`gen_file` 中保存的是待生成的文本前缀，每个前缀占一行，形如：
@@ -155,8 +155,8 @@ RNN是一个序列模型，基本思路是：在时刻$t$，将前一时刻$t-1$
     ```
     其中：
     1. 第一行 `81    若隐若现 地像 幽灵 , 像 死神`以`\t`为分隔，共有两列：
-        - 第一列是输入前缀在训练样本集中的序号
+        - 第一列是输入前缀在训练样本集中的序号。
         - 第二列是输入的前缀。
     2. 第二 ~ `beam_size + 1` 行是生成结果，同样以 `\t` 分隔为两列：
-        - 第一列是该生成序列的对数概率（log probability）
-        - 第二列是生成的文本序列，正常的生成结果会以符号`<e>`结尾，如果没有以`<e>`结尾，意味着超过了最大序列长度，生成强制终止
+        - 第一列是该生成序列的对数概率（log probability）。
+        - 第二列是生成的文本序列，正常的生成结果会以符号`<e>`结尾，如果没有以`<e>`结尾，意味着超过了最大序列长度，生成强制终止。

generate_sequence_by_rnn_lm/index.html

@@ -73,7 +73,7 @@
 ## RNN 语言模型
 ### 简介
 
-RNN是一个序列模型，基本思路是：在时刻$t$，将前一时刻$t-1$的隐藏层输出和$t$时刻的词向量一起输入到隐藏层从而得到时刻$t$的特征表示，然后用这个特征表示得到t时刻的预测输出，如此在时间维上递归下去。可以看出RNN善于使用上文信息、历史知识，具有“记忆”功能。理论上RNN能实现“长依赖”（即利用很久之前的知识），但在实际应用中发现效果并不理想，于是出现了很多RNN的变种，如常用的LSTM和GRU，它们对传统RNN的cell进行了改进，弥补了传统RNN的不足，本例中即使用了LSTM、GRU。下图是RNN（广义上包含了LSTM、GRU等）语言模型“循环”思想的示意图：
+RNN是一个序列模型，基本思路是：在时刻$t$，将前一时刻$t-1$的隐藏层输出和$t$时刻的词向量一起输入到隐藏层从而得到时刻$t$的特征表示，然后用这个特征表示得到$t$时刻的预测输出，如此在时间维上递归下去。可以看出RNN善于使用上文信息、历史知识，具有“记忆”功能。理论上RNN能实现“长依赖”（即利用很久之前的知识），但在实际应用中发现效果并不理想，研究提出了LSTM和GRU等变种，通过引入门机制对传统RNN的记忆单元进行了改进，弥补了传统RNN在学习长序列时遇到的难题。本例模型使用了LSTM或GRU，可通过配置进行修改。下图是RNN（广义上包含了LSTM、GRU等）语言模型“循环”思想的示意图：
 
 <p align=center><img src='images/rnn.png' width='500px'/></p>
 
@@ -107,7 +107,7 @@ RNN是一个序列模型，基本思路是：在时刻$t$，将前一时刻$t-1$
 * 2，运行`python generate.py`运行文本生成。（输入的文本默认为`data/train_data_examples.txt`，生成的文本默认保存到`data/gen_result.txt`中。）
 
 
-**如果需要使用自己的语料、定制模型，需要修改的地方主要是`语料`和`config.py`中的配置，需要注意的细节和适配工作详情如下：**
+**如果需要使用自己的语料、定制模型，需要修改`config.py`中的配置，细节和适配工作详情如下：**
 
 
 ### 语料适配
@@ -175,7 +175,7 @@ RNN是一个序列模型，基本思路是：在时刻$t$，将前一时刻$t-1$
     1. `gen_file`：指定输入数据文件，每行是一个句子的前缀，**需要预先分词**。
     2. `gen_result`：指定输出文件路径，生成结果将写入此文件。
     3. `max_gen_len`：指定每一句生成的话最长长度，如果模型无法生成出`<e>`，当生成 `max_gen_len` 个词语后，生成过程会自动终止。
-    4. `beam_size`：Beam Search 算法每一步的展开宽度
+    4. `beam_size`：Beam Search 算法每一步的展开宽度。
     5. `model_path`：指定训练好的模型的路径。
 
     其中，`gen_file` 中保存的是待生成的文本前缀，每个前缀占一行，形如：
@@ -197,11 +197,11 @@ RNN是一个序列模型，基本思路是：在时刻$t$，将前一时刻$t-1$
     ```
     其中：
     1. 第一行 `81    若隐若现 地像 幽灵 , 像 死神`以`\t`为分隔，共有两列：
-        - 第一列是输入前缀在训练样本集中的序号
+        - 第一列是输入前缀在训练样本集中的序号。
         - 第二列是输入的前缀。
     2. 第二 ~ `beam_size + 1` 行是生成结果，同样以 `\t` 分隔为两列：
-        - 第一列是该生成序列的对数概率（log probability）
-        - 第二列是生成的文本序列，正常的生成结果会以符号`<e>`结尾，如果没有以`<e>`结尾，意味着超过了最大序列长度，生成强制终止
+        - 第一列是该生成序列的对数概率（log probability）。
+        - 第二列是生成的文本序列，正常的生成结果会以符号`<e>`结尾，如果没有以`<e>`结尾，意味着超过了最大序列长度，生成强制终止。
 
 </div>
 <!-- You can change the lines below now. -->