2020-09-10 22:41:26

docs/tf-20-quick-start-guide/01.md

@@ -37,7 +37,7 @@ image1 = tf.zeros([7, 28, 28, 3]) #  example-within-batch by height by width by
 
 **TensorFlow.js** 是 API 的集合，可让您使用底层 JavaScript 线性代数库或高层 API 来构建和训练模型。 因此，可以训练模型并在浏览器中运行它们。
 
-**TensorFlow Lite** 是适用于移动和嵌入式设备的 TensorFlow 的轻量级版本。 它由运行时解释器和一组实用程序组成。 这个想法是您在功率更高的机器上训练模型，然后使用实用程序将模型转换为`.tflite`格式。 然后将模型加载到您选择的设备中。 在撰写本文时，使用 C++ API 在 Android 和 iOS 上支持 TensorFlow Lite，并且具有适用于 Android 的 Java 包装器。 如果 Android 设备支持 **Android 神经​​网络**（**ANN**）API 进行硬件加速，则解释器将使用此 API，否则它将默认使用 CPU 执行。
+**TensorFlow Lite** 是适用于移动和嵌入式设备的 TensorFlow 的轻量级版本。 它由运行时解释器和一组工具组成。 这个想法是您在功率更高的机器上训练模型，然后使用工具将模型转换为`.tflite`格式。 然后将模型加载到您选择的设备中。 在撰写本文时，使用 C++ API 在 Android 和 iOS 上支持 TensorFlow Lite，并且具有适用于 Android 的 Java 包装器。 如果 Android 设备支持 **Android 神经​​网络**（**ANN**）API 进行硬件加速，则解释器将使用此 API，否则它将默认使用 CPU 执行。
 
 **TensorFlow Hub** 是一个旨在促进机器学习模型的可重用模块的发布，发现和使用的库。 在这种情况下，模块是 TensorFlow 图的独立部分，包括其权重和其他资产。 该模块可以通过称为转移学习的方法在不同任务中重用。 这个想法是您在大型数据集上训练模型，然后将适当的模块重新用于您的其他但相关的任务。 这种方法具有许多优点-您可以使用较小的数据集训练模型，可以提高泛化能力，并且可以大大加快训练速度。
 

docs/tf-20-quick-start-guide/02.md

@@ -277,7 +277,7 @@ model2.compile (optimizer= tf.keras.Adam(), loss='sparse_categorical_crossentrop
 model2.fit(train_x, train_y, batch_size=batch_size, epochs=epochs)
 ```
 
-然后，我们使用`test`数据评估模型的性能：
+然后，我们使用`test`数据评估模型的表现：
 
 ```py
 model2.evaluate(test_x, test_y)

docs/tf-20-quick-start-guide/04.md

@@ -236,7 +236,7 @@ print("Predicted median house value ",y_pred.numpy()," in $10K")
 
 # 逻辑回归（分类）
 
-这类问题的名称令人迷惑，因为正如我们所看到的，回归意味着连续价值标签，例如房屋的中位数价格或树的高度。
+这类问题的名称令人迷惑，因为正如我们所看到的，回归意味着连续值标签，例如房屋的中位数价格或树的高度。
 
 逻辑回归并非如此。 当您遇到需要逻辑回归的问题时，这意味着标签为`categorical`； 例如，零或一，`True`或`False`，是或否，猫或狗，或者它可以是两个以上的分类值； 例如，红色，蓝色或绿色，或一，二，三，四或五，或给定花的类型。 标签通常具有与之相关的概率； 例如，`P(cat = 0.92)`，`P(dog = 0.08)`。 因此，逻辑回归也称为**分类**。
 

docs/tf-20-quick-start-guide/08.md

@@ -115,7 +115,7 @@ file='1400-0.txt'
 url='https://www.gutenberg.org/files/1400/1400-0.txt' # Great Expectations by Charles Dickens
 ```
 
-然后，我们为该文件设置了 Keras `get_file()`实用程序，如下所示：
+然后，我们为该文件设置了 Keras `get_file()`工具，如下所示：
 
 ```py
 path = tf.keras.utils.get_file(file,url)
@@ -351,7 +351,7 @@ dataset
 <RepeatBatchDataset shapes: ((64, 100), (64, 100)), types: (tf.int64, tf.int64)>
 ```
 
-此处，`64`是批次大小，`100`是序列长度。 以下是我们训练所需的一些价值观：
+此处，`64`是批次大小，`100`是序列长度。 以下是我们训练所需的一些值：
 
 ```py
 # The vocabulary length in characters

docs/tf-20-quick-start-guide/09.md

@@ -150,7 +150,7 @@ INFO:tensorflow:Loss for final step: 13.06977.
 
 ![](img/27a244c6-21a0-4834-a28a-4718d7197716.png)
 
-为了评估模型的性能，使用了`classifier.evaluate`方法。 其签名如下：
+为了评估模型的表现，使用了`classifier.evaluate`方法。 其签名如下：
 
 ```py
 classifier.evaluate(input_fn, steps=None, hooks=None, checkpoint_path=None, name=None)
@@ -281,7 +281,7 @@ def load_data(directory):
     return pd.DataFrame.from_dict(directory_data)
 ```
 
-如我们前面所述，下一个函数`load(directory)`调用`load_data(directory)`从`pos`和`neg`子目录创建一个`DataFrame`。 它将适当的极性作为额外字段添加到每个`DataFrame`。 然后，它返回一个新的`DataFrame`，该数据帧由`pos`和`neg`的`DataFrame`的串联组成，经过混洗（`sample(frac=1)`），并插入了新的数字索引（因为我们已经对行进行了混排）：
+如我们前面所述，下一个函数`load(directory)`调用`load_data(directory)`从`pos`和`neg`子目录创建一个`DataFrame`。 它将适当的极性作为额外字段添加到每个`DataFrame`。 然后，它返回一个新的`DataFrame`，该数据帧由`pos`和`neg`的`DataFrame`的连接组成，经过混洗（`sample(frac=1)`），并插入了新的数字索引（因为我们已经对行进行了混排）：
 
 ```py
 # Merge positive and negative examples, add a polarity column and shuffle.
@@ -294,7 +294,7 @@ def load(directory):
     return pd.concat([positive_df, negative_df]).sample(frac=1).reset_index(drop=True)
 ```
 
-第三个也是最后一个功能是`acquire_data()`。 如果缓存中不存在该函数，则使用 Keras 实用程序从 Stanford URL 中获取我们所需的文件。 默认情况下，高速缓存是位于`~/.keras/datasets`的目录，如有必要，文件将提取到该位置。 该实用程序将返回到我们的 IMDb 的路径。 然后将其传递给`load_dataset()`的两个调用，以获取火车和测试`DataFrame`：
+第三个也是最后一个功能是`acquire_data()`。 如果缓存中不存在该函数，则使用 Keras 工具从 Stanford URL 中获取我们所需的文件。 默认情况下，高速缓存是位于`~/.keras/datasets`的目录，如有必要，文件将提取到该位置。 该工具将返回到我们的 IMDb 的路径。 然后将其传递给`load_dataset()`的两个调用，以获取火车和测试`DataFrame`：
 
 ```py
 # Download and process the dataset files.