2020-12-19 21:16:04

new/begin-app-dev-tf-keras/0.md

@@ -88,7 +88,7 @@ $ python3 lesson_1/activity_1/test_stack.py
 
 # 下载示例代码
 
-您可以从 [http://www.packtpub.com](http://www.packtpub.com) 的帐户中下载本书的示例代码文件。 如果您在其他地方购买了此书，则可以访问 [http://www.packtpub.com/support](http://www.packtpub.com/support) 并注册以将文件直接通过电子邮件发送给您。
+您可以从[这里](http://www.packtpub.com)的帐户中下载本书的示例代码文件。 如果您在其他地方购买了此书，则可以访问[这里](http://www.packtpub.com/support)并注册以将文件直接通过电子邮件发送给您。
 
 您可以按照以下步骤下载代码文件：
 
@@ -108,7 +108,7 @@ $ python3 lesson_1/activity_1/test_stack.py
 *   适用于 Mac 的 Zipeg / iZip / UnRarX
 *   适用于 Linux 的 7-Zip / PeaZip
 
-本书的代码包也托管在 GitHub 的 [https://github.com/TrainingByPackt/Beginning-Application-Developmentwith-TensorFlow-and-Keras](https://github.com/TrainingByPackt/Beginning-Application-Developmentwith-TensorFlow-and-Keras) 中。 我们还从 [https://github.com/PacktPublishing/](https://github.com/PacktPublishing/) 提供了丰富的书籍和视频目录中的其他代码包。 去看一下！
+本书的代码包也托管在 [GitHub](https://github.com/TrainingByPackt/Beginning-Application-Developmentwith-TensorFlow-and-Keras) 上。 我们还从[这里](https://github.com/PacktPublishing/)提供了丰富的书籍和视频目录中的其他代码包。 去看一下！
 
 # 安装
 
@@ -116,39 +116,21 @@ $ python3 lesson_1/activity_1/test_stack.py
 
 ## 安装 Visual Studio
 
-1.  在浏览器中访问 [https://code.visualstudio.com/](https://code.visualstudio.com/) 。
+1.  在浏览器中访问[这里](https://code.visualstudio.com/)。
 2.  单击主页右上角的下载。
 3.  接下来，选择 Windows。
 4.  按照安装程序中的步骤就可以了！ 您的 Visual Studio 代码已准备就绪。
 
 ## 安装 Python 3
 
-1.  转到 [https://www.python.org/downloads/](https://www.python.org/downloads/) 。
+1.  转到[这里](https://www.python.org/downloads/)。
 2.  单击 Download Python 3.6.4 选项下载设置。
 3.  按照安装程序中的步骤就可以了！ 您的 Python 已准备就绪。
 
 ## 安装 TensorFlow
 
-按照以下网站上的说明下载并安装 TensorFlow： [https://www.tensorflow.org/install/install_windows](https://www.tensorflow.org/install/install_windows) 。
+按照[以下网站](https://www.tensorflow.org/install/install_windows)上的说明下载并安装 TensorFlow。
 
 ## 硬安装
 
-按照以下网站上的说明下载并安装 Keras： [https://keras.io/#installation](https://keras.io/#installation) 。
-
-# 勘误
-
-尽管我们已尽一切努力确保内容的准确性，但还是会发生错误。 如果您发现我们的其中一本书中有错误-可能是文本或代码中的错误-如果您能向我们报告，我们将不胜感激。 这样，您可以使其他读者免于沮丧，并帮助我们改进本书的后续版本。 如果您发现任何勘误，请访问 [http://www.packtpub.com/submit-errata](http://www.packtpub.com/submit-errata) 进行报告，选择您的图书，点击“勘误提交表格”链接，然后输入勘误的详细信息 。 验证勘误后，您的提交将被接受，并且勘误将上传到我们的网站，或添加到该标题的**勘误**部分下的任何现有勘误列表中。
-
-要查看先前提交的勘误，请转到 [https://www.packtpub.com/books/content/support](https://www.packtpub.com/books/content/support) ，然后在搜索字段中输入书籍的名称。 所需信息将出现在**勘误表**部分下。
-
-# 盗版
-
-互联网上版权材料的盗版在所有媒体中都是一个持续存在的问题。 在 Packt，我们非常重视版权和许可的保护。 如果您在 Internet 上以任何形式发现我们的作品的任何非法副本，请立即向我们提供位置地址或网站名称，以便我们寻求补救。
-
-请通过`<[copyright@packtpub.com](mailto:copyright@packtpub.com)>`与我们联系，并提供指向可疑盗版材料的链接。
-
-感谢您在保护作者方面的帮助以及我们为您带来有价值的内容的能力。
-
-# 问题
-
-如果您对本书的任何方面都有疑问，可以通过`<[questions@packtpub.com](mailto:questions@packtpub.com)>`与我们联系，我们将尽力解决该问题。
\ No newline at end of file
+按照[以下网站](https://keras.io/#installation)上的说明下载并安装 Keras。
\ No newline at end of file

new/begin-app-dev-tf-keras/1.md

@@ -21,7 +21,7 @@
 
 ### 注意
 
-有关更多信息，请参见*解释：神经网络*。 麻省理工学院新闻办公室，2017 年 4 月 14 日。可在以下网址访问： [http://news.mit.edu/2017/explained-neural-networks-deep-learning-0414](http://news.mit.edu/2017/explained-neural-networks-deep-learning-0414) 。
+有关更多信息，请参见*解释：神经网络*。 麻省理工学院新闻办公室，2017 年 4 月 14 日。[可在以下网址访问](http://news.mit.edu/2017/explained-neural-networks-deep-learning-0414)。
 
 受神经科学进步的启发，他们建议创建一个计算机系统，该计算机系统可以重现大脑（人类或其他方式）的工作方式。 其核心思想是作为互连网络工作的计算机系统。 即，具有许多简单组件的系统。 这些组件既可以解释数据，又可以相互影响如何解释数据。 今天仍然保留着相同的核心思想。
 
@@ -35,7 +35,7 @@
 
 不同 AlphaGo 算法的功耗。 AlphaGo 是 DeepMind 的一项举措，旨在开发出一系列击败 Go 游戏的算法。 它被认为是深度学习的强大典范。 TPU 是 Google 开发的一种芯片组，用于深度学习程序。
 
-该图描绘了用于训练不同版本的 AlphaGo 算法的 GPU 和 TPU 的数量。 来源： [https://deepmind.com/blog/alphago-zero-learning-scratch/](https://deepmind.com/blog/alphago-zero-learning-scratch/) 。
+该图描绘了用于训练不同版本的 AlphaGo 算法的 GPU 和 TPU 的数量。 [来源](https://deepmind.com/blog/alphago-zero-learning-scratch/)。
 
 ### 注意
 
@@ -47,15 +47,15 @@
 
     ### 注意
 
-    Google 研究博客。 *变压器：一种用于语言理解的新型神经网络体系结构* 。 2017 年 8 月 31 日。可在以下网址访问： [https://research.googleblog.com/2017/08/transformer-novel-neural-network.html](https://ai.googleblog.com/2017/08/transformer-novel-neural-network.html) 。
+    Google 研究博客，[《变压器：一种用于语言理解的新型神经网络体系结构》](https://ai.googleblog.com/2017/08/transformer-novel-neural-network.html)。
 
 *   **自动驾驶汽车**：Uber，NVIDIA 和 Waymo 被认为正在使用深度学习模型来控制不同的控制驾驶的车辆功能。 每个公司都在研究多种可能性，包括使用人工训练网络，模拟在虚拟环境中驾驶的车辆，甚至创建类似于城市的小型环境，在其中可以根据预期和意外事件对车辆进行训练。
 
     ### 注意
 
-    *   Alexis C. Madrigal： *Waymo 的自动驾驶汽车培训世界*。 大西洋组织。 2017 年 8 月 23 日。可在以下网址访问： [https://www.theatlantic.com/technology/archive/2017/08/inside-waymos-secret-testing-and-simulation-facilities/537648/“ >实体 / 537648 /](https://www.theatlantic.com/technology/archive/2017/08/inside-waymos-secret-testing-and-simulation-facilities/537648/) 。
-    *   NVIDIA：*自驾车的端到端深度学习*。2016 年 8 月 17 日，网址： [https：// devblogs .nvidia.com / parallelforall / deep-learning-self-driving-cars /](https://devblogs.nvidia.com/parallelforall/deep-learning-self-driving-cars/) 。
-    *   Dave Gershgorn： *Uber 的新 AI 团队正在寻找自动驾驶汽车*的最短路径 Quartz，2016 年 12 月 5 日，网址： [https://qz.com/853236/ubers-new-ai-team-is-looking-for-the-shortest-route-to-self-driving -cars /](https://qz.com/853236/ubers-new-ai-team-is-looking-for-the-shortest-route-to-self-driving-cars/) 。
+    +   [`Alexis C. Madrigal: Inside Waymo's Secret World for Training Self-Driving Cars. The Atlantic. August 23, 2017.`](https://www.theatlantic.com/technology/archive/2017/08/inside-waymos-secret-testing-and-simulation-facilities/537648/)
+    +   [`NVIDIA: End-to-End Deep Learning for Self-Driving Cars. August 17, 2016.`](https://devblogs.nvidia.com/parallelforall/deep-learning-self-driving-cars/)
+    +   [`Dave Gershgorn: Uber's new AI team is looking for the shortest route to self-driving cars. Quartz. December 5, 2016.`](https://qz.com/853236/ubers-new-ai-team-is-looking-for-the-shortest-route-to-self-driving-cars/)
 
 *   **图像识别**：Facebook 和 Google 使用深度学习模型来识别图像中的实体，并自动将这些实体标记为一组联系人中的人物。 在这两种情况下，都使用先前标记的图像以及目标朋友或联系人的图像来训练网络。 两家公司都报告说，在大多数情况下，这些模型能够以很高的精确度推荐朋友或联系人。
 
@@ -67,13 +67,13 @@
 
 ### 注意
 
-有关更多信息，请参阅 Michael Nielsen：*神经网络和深度学习：神经网络可以计算任何函数的视觉证明*。 网址： [http://neuralnetworksanddeeplearning.com/chap4.html](http://neuralnetworksanddeeplearning.com/chap4.html) 。
+有关更多信息，请参阅 Michael Nielsen 的[《神经网络和深度学习：神经网络可以计算任何函数的视觉证明》](http://neuralnetworksanddeeplearning.com/chap4.html)。
 
 在本书中，我们将不探讨通用性原理的数学证明。 但是，神经网络的两个特征应该为您提供有关如何理解该原理的正确直觉：表示学习和函数逼近。
 
 ### 注意
 
-有关更多信息，请参阅 Kai Arulkumaran，Marc Peter Deisenroth，Miles Brundage 和 Anil Anthony Bharath。 *深度强化学习*的简要概述。 arXiv。 2017 年 9 月 28 日。可从以下网站获取： [https://www.arxiv-vanity.com/papers/1708.05866/](https://www.arxiv-vanity.com/papers/1708.05866/) 。
+有关更多信息，请参阅[《深度强化学习的简要概述》](https://www.arxiv-vanity.com/papers/1708.05866/)。
 
 #### 表示学习
 
@@ -109,7 +109,7 @@
 
 ### 注意
 
-有关此主题的深入讨论，请参阅 FrançoisChollet 即将出版的书*《使用 Python 进行深度学习》* 。 François 是 Keras（本书中使用的 Python 库）的创建者。 深度学习的局限性*这一章对于理解该主题特别重要。 该书的工作版本可在以下网址获得： [https://blog.keras.io/the-limitations-of-deep-learning.html](https://blog.keras.io/the-limitations-of-deep-learning.html) 。*
+有关此主题的深入讨论，请参阅 FrançoisChollet 即将出版的书[《使用 Python 进行深度学习》](https://blog.keras.io/the-limitations-of-deep-learning.html)。 François 是 Keras（本书中使用的 Python 库）的创建者。 深度学习的局限性这一章对于理解该主题特别重要。 
 
 #### 内在偏见和道德考量
 
@@ -119,17 +119,17 @@
 
 ### 注意
 
-他们的模型识别出囚犯的准确率高达 89.5％。 （ [https://blog.keras.io/the-limitations-of-deep-learning.htmltations-of-deep-learning.html](https://blog.keras.io/the-limitations-of-deep-learning.html) ）。
+[他们的模型识别出囚犯的准确率高达 89.5％](https://blog.keras.io/the-limitations-of-deep-learning.html)。
 
-麻省理工学院技术评论。 神经网络学习通过面孔识别犯罪分子。 2016 年 11 月 22 日。可通过以下网站获取： [https://www.technologyreview.com/s/602955/neural-network-learns-to-identify-criminals-by-their-faces/](https://blog.keras.io/the-limitations-of-deep-learning.html) 。
+麻省理工学院技术评论，[《神经网络学习通过面孔识别犯罪分子》](https://blog.keras.io/the-limitations-of-deep-learning.html)。
 
 该论文在科学界和大众媒体中引起了极大轰动。 所提出的解决方案的一个关键问题是它不能正确地识别输入数据中固有的偏差。 即，本研究中使用的数据来自两个不同的来源：一个用于罪犯，一个用于非罪犯。 一些研究人员建议，他们的算法可以识别与研究中使用的不同数据源相关的模式，而不是从人们的面部识别相关模式。 尽管可以对模型的可靠性进行技术上的考虑，但主要的批评是出于道德基础：人们应该清楚地认识到深度学习算法所使用的输入数据的固有偏差，并考虑其应用将如何对人们的学习产生影响。 生活。
 
 ### 注意
 
-蒂莫西·雷维尔（Timothy Revell）。 *作为用于“识别”罪犯*的面部识别技术的关注。 新科学家。 2016 年 12 月 1 日。可在以下网址获得： [https://www.newscientist.com/article/2114900-concerns-as-face-recognition-tech-used-to-identify-criminals/](https://www.newscientist.com/article/2114900-concerns-as-face-recognition-tech-used-to-identify-criminals/) 。
+蒂莫西·雷维尔（Timothy Revell），[《用于“识别”罪犯的面部识别技术的关注》](https://www.newscientist.com/article/2114900-concerns-as-face-recognition-tech-used-to-identify-criminals/)。
 
-为了使进一步了解学习算法（包括深度学习）中的道德主题，请参阅 AI Now Institute（ [https://ainowinstitute.org/](https://ainowinstitute.org/) ）所做的工作 为了解智能系统的社会意义。
+为了使进一步了解学习算法（包括深度学习）中的道德主题，请参阅 [AI Now Institute](https://ainowinstitute.org/) 所做的工作 为了解智能系统的社会意义。
 
 ## 神经网络的通用组件和操作
 
@@ -179,11 +179,11 @@
 
 TensorFlow 是一个库，用于以图形形式执行数学运算。 TensorFlow 最初由 Google 开发，如今已是一个由许多贡献者参与的开源项目。 它在设计时就考虑了神经网络，是创建深度学习算法时最受欢迎的选择之一。
 
-TensorFlow 也以其生产组件而闻名。 它随附 TensorFlow 服务（ [https://github.com/tensorflow/serving](https://github.com/tensorflow/serving) ），这是一种用于深度学习模型的高性能系统。 此外，可以在其他高性能编程语言（例如 Java，Go 和 C）中使用经过训练的 TensorFlow 模型。这意味着人们可以在从微型计算机（即 RaspberryPi）到 Android 设备的任何内容中部署这些模型。 。
+TensorFlow 也以其生产组件而闻名。 它随附 [TensorFlow 服务](https://github.com/tensorflow/serving)，这是一种用于深度学习模型的高性能系统。 此外，可以在其他高性能编程语言（例如 Java，Go 和 C）中使用经过训练的 TensorFlow 模型。这意味着人们可以在从微型计算机（即 RaspberryPi）到 Android 设备的任何内容中部署这些模型。 。
 
 ### 大声
 
-为了与 TensorFlow 高效交互，我们将使用 Keras（ [https://keras.io/](https://keras.io/) ），这是一个具有高级 API 的 Python 软件包，用于开发神经网络。 虽然 TensorFlow 专注于在计算图中彼此交互的组件，但 Keras 专门专注于神经网络。 Keras 使用 TensorFlow 作为其后端引擎，使开发此类应用程序变得更加容易。
+为了与 TensorFlow 高效交互，我们将使用 [Keras](https://keras.io/)，这是一个具有高级 API 的 Python 软件包，用于开发神经网络。 虽然 TensorFlow 专注于在计算图中彼此交互的组件，但 Keras 专门专注于神经网络。 Keras 使用 TensorFlow 作为其后端引擎，使开发此类应用程序变得更加容易。
 
 截至 2017 年 11 月（TensorFlow 1.4 版），Keras 作为 TensorFlow 的一部分分发。 在`tf.keras`命名空间下可用。 如果安装了 TensorFlow 1.4 或更高版本，则系统中已经有 Keras 可用。
 
@@ -314,7 +314,7 @@ Michael Heydt（2017 年 6 月，Packt 出版）的*学习熊猫*和 Dan Toomey
 
 在本节中，我们探索训练有素的神经网络。 我们这样做是为了了解神经网络如何解决现实世界的问题（预测手写数字），并熟悉 TensorFlow API。 在探索该神经网络时，我们将认识到先前各节中介绍的许多组件，例如节点和层，但我们还将看到许多我们不认识的组件（例如激活函数），我们将在后续部分中进行探索。 然后，我们将完成一个有关如何训练神经网络的练习，然后自己训练该网络。
 
-我们将要探索的网络已经过训练，可以使用手写数字的图像识别数字（整数）。 它使用了 MNIST 数据集（ [http://yann.lecun.com/exdb/mnist/](http://yann.lecun.com/exdb/mnist/) ），该数据集通常用于探索模式识别任务。
+我们将要探索的网络已经过训练，可以使用手写数字的图像识别数字（整数）。 它使用了 [MNIST 数据集](http://yann.lecun.com/exdb/mnist/)，该数据集通常用于探索模式识别任务。
 
 ##### MNIST 数据集
 
@@ -322,7 +322,7 @@ Michael Heydt（2017 年 6 月，Packt 出版）的*学习熊猫*和 Dan Toomey
 
 ### 注意
 
-CIFAR 数据集是机器学习数据集，其中包含按不同类别组织的图像。 与 MNIST 数据集不同，CIFAR 数据集包含许多不同领域的类，例如动物，活动和物体。 CIFAR 数据集位于： [https://www.cs.toronto.edu/~kriz/cifar.html](https://www.cs.toronto.edu/~kriz/cifar.html) 。
+CIFAR 数据集是机器学习数据集，其中包含按不同类别组织的图像。 与 MNIST 数据集不同，CIFAR 数据集包含许多不同领域的类，例如动物，活动和物体。 CIFAR 数据集位于[这里](https://www.cs.toronto.edu/~kriz/cifar.html)。
 
 ![MNIST Dataset](img/image01_05.jpg)
 
@@ -407,7 +407,7 @@ CIFAR 数据集是机器学习数据集，其中包含按不同类别组织的
 
 ###### 使用看不见的数据测试网络性能
 
-在浏览器中访问网站 [http://mnist-demo.herokuapp.com/“ > mo.herokuapp.com/](http://mnist-demo.herokuapp.com/) 并在 **0** 和**之间绘制一个数字 9** 在指定的白框中：
+在浏览器中访问[网站](http://mnist-demo.herokuapp.com/)并在 **0** 和**之间绘制一个数字 9** 在指定的白框中：
 
 ![Testing Network Performance with Unseen Data](img/image01_06.jpg)
 
@@ -415,7 +415,7 @@ CIFAR 数据集是机器学习数据集，其中包含按不同类别组织的
 
 ### 注意
 
-来源： [https://github.com/ShafeenTejani/mnist-demo](https://github.com/ShafeenTejani/mnist-demo)
+[来源](https://github.com/ShafeenTejani/mnist-demo)。
 
 在应用程序中，您可以看到两个神经网络的结果。 我们训练过的那个在左边（称为 CNN）。 它能正确分类所有手写数字吗？ 尝试在指定区域的边缘绘制编号。 例如，尝试在该区域的右边缘附近绘制数字 **1** ：