2021-01-06 16:14:35

new/master-cv-tf-2x/12.md

@@ -584,7 +584,7 @@ s3:// sample1/DEMO/s3_output_location/
 
 ![](img/08e3cdba-f27b-48a0-b2bc-a781720d41c9.png)
 
-请注意，随着模型看到的图像越来越多，上一个屏幕快照中显示的 Precision 值可能会降低。 因此，在 20 张图像上开发的模型比在 100 张图像上开发的模型具有更高的精度。 这是因为在 20 张图像上开发的模型具有较少的训练错误，但具有较高的测试错误（在`test`图像中，无法识别汉堡-仅识别薯条）。 mAP 数是 11 个等距召回级别（0、0.1，…1）上的平均平均精度。 mAP 值不受图像添加的影响。 Performance 参数显示`burger`和`fries`的值。
+请注意，随着模型看到的图像越来越多，上一个屏幕快照中显示的 Precision 值可能会降低。 因此，在 20 张图像上开发的模型比在 100 张图像上开发的模型具有更高的精度。 这是因为在 20 张图像上开发的模型具有较少的训练错误，但具有较高的测试错误（在`test`图像中，无法识别汉堡-仅识别薯条）。 mAP 数是 11 个等距召回级别（0，0.1，...，1）上的平均平均精度。 mAP 值不受图像添加的影响。 `Performance`参数显示`burger`和`fries`的值。
 
 8.  现在，让我们带回旧的`validation`图像并查看结果。 为此，请单击顶部的“预测”，然后插入`validation`图像。 它将在类周围绘制一个边界框，如下所示：
 
@@ -713,7 +713,7 @@ AWS Rekognition 还可以使用`boto`分析本地 PC 上的图像，如[这里](
 
 训练期间引入了 AWS SageMaker。 通过将图像转换为矢量，它也可以用于执行视觉搜索。 有关详细练习，请参阅[这个页面](https://github.com/awslabs/visual-search/blob/master/notebooks/visual-search-feature-generation.ipynb)中描述的 Python 笔记本。
 
-请注意，执行此操作的最佳方法是从 AWS SageMaker 笔记本实例运行此操作。 将此文件（在上一链接中列出）上载到 Jupyter Notebook，然后选择 MXNet Python 软件包。 引用您的 S3 存储桶并执行单元。 分析代码并将其与我们在“第 6 章”，“使用迁移学习的视觉搜索”中学到的内容进行比较。 您将看到基本原理是相同的，只是分析是在云平台上完成的，因此它将具有在“第 6 章”，“使用迁移学习的视觉搜索”中不必处理的多个身份验证级别。
+请注意，执行此操作的最佳方法是从 AWS SageMaker 笔记本实例运行此操作。 将此文件（在上一链接中列出）上载到 Jupyter 笔记本，然后选择 MXNet Python 软件包。 引用您的 S3 存储桶并执行单元。 分析代码并将其与我们在“第 6 章”，“使用迁移学习的视觉搜索”中学到的内容进行比较。 您将看到基本原理是相同的，只是分析是在云平台上完成的，因此它将具有在“第 6 章”，“使用迁移学习的视觉搜索”中不必处理的多个身份验证级别。
 
 # 使用 Azure 进行视觉搜索