2020-08-06 22:48:54

docs/dl-tf-2e-zh/ch07.md

 # 七、TensorFlow GPU 配置
 
-要将  TensorFlow 与 NVIDIA GPU 配合使用，第一步是安装 CUDA Toolkit。
+要将  TensorFlow 与 NVIDIA GPU 配合使用，第一步是安装 CUDA 工具包。
 
 ### 注意
 
 要了解更多信息，请访问[此链接](https://developer.nvidia.com/cuda-downloads)。
 
-安装 CUDA Toolkit 后，必须从[此链接](https://developer.nvidia.com/cudnn)下载适用于 Linux 的 cuDNN v5.1 库。
+安装 CUDA 工具包后，必须从[此链接](https://developer.nvidia.com/cudnn)下载适用于 Linux 的 cuDNN v5.1 库。
 
 cuDNN 是一个有助于加速深度学习框架的库，例如 TensorFlow 和 Theano。以下是 NVIDIA 网站的简要说明：
 
-> “NVIDIACUDA®深度神经网络库（cuDNN）是用于深度神经网络的 GPU 加速原语库.cuDNN 为标准例程提供高度调整的实现，例如前向和后向卷积，池化，正则化和激活层.cuDNN is NVIDIA 深度学习 SDK 的一部分。“
+> NVIDIACUDA®深度神经网络库（cuDNN）是用于深度神经网络的 GPU 加速原语库.cuDNN 为标准例程提供高度调整的实现，例如前向和后向卷积，池化，正则化和激活层。cuDNN 是 NVIDIA 深度学习 SDK 的一部分。
 
 在安装之前，您需要在 NVIDIA 的加速计算开发人员计划中注册。注册后，登录并将 cuDNN 5.1 下载到本地计算机。
 
-下载完成后，解压缩文件并将其复制到 CUDA Toolkit 目录中（我们假设目录为`/usr/local/cuda/`）：
+下载完成后，解压缩文件并将其复制到 CUDA 工具包目录中（我们假设目录为`/usr/local/cuda/`）：
 
 ```py
 $ sudo tar -xvf cudnn-8.0-linux-x64-v5.1-rc.tgz -C /usr/local
@@ -23,7 +23,7 @@ $ sudo tar -xvf cudnn-8.0-linux-x64-v5.1-rc.tgz -C /usr/local
 
 ## 更新 TensorFlow
 
-我们假设您将使用 TensorFlow 来构建您的深度神经网络模型。只需通过 pip 用`upgrade`标志更新 TensorFlow。
+我们假设您将使用 TensorFlow 来构建您的深度神经网络模型。只需通过 PIP 用`upgrade`标志更新 TensorFlow。
 
 我们假设您当前正在使用 TensorFlow 0.11：
 
@@ -83,7 +83,7 @@ A = np.random.rand(10000, 10000).astype('float32')
 B = np.random.rand(10000, 10000).astype('float32')
 ```
 
-`A`和`B`各自的大小为 10000x10000。
+`A`和`B`各自的大小为`10000x10000`。
 
 以下数组将用于存储结果：
 
@@ -182,7 +182,7 @@ with tf.device('/gpu:1'):
     c1.append(matpow(b, n))
 ```
 
-这样，我们告诉 gpu1 执行内核函数。如果我们指定的设备不​​存在（如我的情况），您将获得`InvalidArgumentError`：
+这样，我们告诉`gpu1`执行内核函数。如果我们指定的设备不​​存在（如我的情况），您将获得`InvalidArgumentError`：
 
 ```py
 InvalidArgumentError (see above for traceback): Cannot assign a device to node 'Placeholder_1': Could not satisfy explicit device specification '/device:GPU:1' because no devices matching that specification are registered in this process; available devices: /job:localhost/replica:0/task:0/cpu:0
@@ -190,7 +190,7 @@ InvalidArgumentError (see above for traceback): Cannot assign a device to node '
 
 ```
 
-如果您希望 TensorFlow 自动选择现有且受支持的设备来运行操作（如果指定的设备不​​存在），则可以在创建会话时在配置选项中将`allow_soft_placement`设置为 True。
+如果您希望 TensorFlow 自动选择现有且受支持的设备来运行操作（如果指定的设备不​​存在），则可以在创建会话时在配置选项中将`allow_soft_placement`设置为`True`。
 
 我们再次为以下节点设置`'/gpu:1'`：
 
@@ -377,9 +377,9 @@ cluster = tf.train.ClusterSpec({"ps": ["localhost:2222"],\
                                            "localhost:2224"]})
 ```
 
-节点通常分为两个作业：主机变量的参数服务器（`ps`）和执行大量计算的工作器。在上面的代码中，我们有一个参数服务器和两个 worker，以及每个节点的 IP 地址和端口。
+节点通常分为两个作业：主机变量的参数服务器（`ps`）和执行大量计算的工作器。在上面的代码中，我们有一个参数服务器和两个工作器，以及每个节点的 IP 地址和端口。
 
-然后我们必须为之前定义的每个参数服务器和 worker 构建一个`tf.train.Server`：
+然后我们必须为之前定义的每个参数服务器和工作器构建一个`tf.train.Server`：
 
 ```py
 ps = tf.train.Server(cluster, job_name="ps", task_index=0)
@@ -392,7 +392,7 @@ worker1 = tf.train.Server(cluster,\
 
 `tf.train.Server`对象包含一组本地设备，一组与`tf.train.ClusterSpec`中其他任务的连接，以及一个可以使用它们执行分布式计算的`tf.Session`。创建它是为了允许设备之间的连接。
 
-接下来，我们使用以下命令将模型变量分配给 worker：
+接下来，我们使用以下命令将模型变量分配给工作器：
 
 ```py
 tf.device :

docs/dl-tf-2e-zh/ch08.md

@@ -4,11 +4,11 @@ TFLearn 是一个库，它使用漂亮且熟悉的 scikit-learn API 包装了许
 
 TensorFlow 是关于构建和执行图的全部内容。这是一个非常强大的概念，但从一开始就很麻烦。
 
-在 TF.Learn 的引擎盖下，我们只使用了三个部分：
+在 TFLearn 的引擎盖下，我们只使用了三个部分：
 
 *   层：一组高级 TensorFlow 函数，允许我们轻松构建复杂的图，从完全连接的层，卷积和批量规范到损失和优化。
-*   graph_actions：一组工具，用于对 TensorFlow 图进行训练，评估和运行推理。
-*   Estimator：将所有内容打包成一个遵循 scikit-learn 接口的类，并提供了一种轻松构建和训练自定义 TensorFlow 模型的方法。
+*   `graph_actions`：一组工具，用于对 TensorFlow 图进行训练，评估和运行推理。
+*   估计器：将所有内容打包成一个遵循 scikit-learn 接口的类，并提供了一种轻松构建和训练自定义 TensorFlow 模型的方法。
 
 ## 安装
 
@@ -62,7 +62,7 @@ fare               Passenger Fare
 | 1 | 3 | Baclini, Miss. Marie Catherine | female | 5 | 2 | 1 | 2666 | 19.2583 |
 | 0 | 3 | Youseff, Mr. Gerious | male | 45.5 | 0 | 0 | 2628 | 7.2250 |
 
-我们的任务有两个类：没有幸存（`class = 0`）和幸存（`class = 1`）。乘客数据有 8 个特征。泰坦尼克号数据集存储在 CSV 文件中，因此我们可以使用`TFLearn load_csv()`函数将文件中的数据加载到 Python 列表中。我们指定`target_column`参数以指示我们的标签（幸存与否）位于第一列（id：0）。这些函数将返回一个元组:(数据，标签）。
+我们的任务有两个类：没有幸存（`class = 0`）和幸存（`class = 1`）。乘客数据有 8 个特征。泰坦尼克号数据集存储在 CSV 文件中，因此我们可以使用`TFLearn load_csv()`函数将文件中的数据加载到 Python 列表中。我们指定`target_column`参数以指示我们的标签（幸存与否）位于第一列（ID：0）。这些函数将返回一个元组:(数据，标签）。
 
 让我们从导入 NumPy 和 TFLearn 库开始：
 
@@ -92,7 +92,7 @@ data, labels = load_csv('titanic_dataset.csv', target_column=0,
 def preprocess(data, columns_to_ignore):
 ```
 
-预处理阶段从降序 id 和删除列开始：
+预处理阶段从降序 ID 和删除列开始：
 
 ```py
     for id in sorted(columns_to_ignore, reverse=True):
@@ -276,7 +276,7 @@ def multilayer_fully_connected(images, labels):
             softmax_classifier(10, labels))
 ```
 
-现在我们将构建一个多层卷积网络：该架构类似于 LeNet 5。请更改此设置，以便您可以尝试其他架构：
+现在我们将构建一个多层卷积网络：该架构类似于 LeNet5。请更改此设置，以便您可以尝试其他架构：
 
 ```py
 def lenet5(images, labels):
@@ -297,7 +297,7 @@ def lenet5(images, labels):
 
 ```py
 def make_choice():
-    var = int(input('(1) = multy layer model   (2) = lenet 5 '))
+    var = int(input('(1) = multy layer model   (2) = LeNet5 '))
     print(var)
     if var == 1:
         result = multilayer_fully_connected\
@@ -378,7 +378,7 @@ if __name__ == '__main__':
 运行示例，我们必须选择要训练的模型：
 
 ```py
-(1) = multylayer model   (2) = lenet 5
+(1) = multylayer model   (2) = LeNet5
 ```
 
 通过选择`multylayer model`，我们应该具有 95.5% 的准确率：
@@ -454,8 +454,8 @@ Keras 是按照以下设计原则开发的：
 
 Keras 既可以作为 TensorFlow API 在嵌入式版本中使用，也可以作为库使用：
 
-*   tf.keras 来自[此链接](https://www.tensorflow.org/api_docs/python/tf/keras)
-*   Keras v 2.1.4（更新和安装指南请参见[此链接](https://keras.io)）
+*   `tf.keras`来自[此链接](https://www.tensorflow.org/api_docs/python/tf/keras)
+*   Keras v2.1.4（更新和安装指南请参见[此链接](https://keras.io)）
 
     在以下部分中，我们将了解如何使用第一个和第二个实现。
 
@@ -468,7 +468,7 @@ Keras 的核心数据结构是一个模型，它是一种组织层的方法。
 
 ### 顺序模型
 
-在本节中，我们将快速通过向您展示代码来解释顺序模型的工作原理。让我们首先使用 TensorFlow API 导入和构建 Keras `Sequential` 模型：
+在本节中，我们将快速通过向您展示代码来解释顺序模型的工作原理。让我们首先使用 TensorFlow API 导入和构建 Keras `Sequential`模型：
 
 ```py
 import tensorflow as tf
@@ -531,7 +531,7 @@ proba = model.predict_proba(X_test, batch_size=32)
 
 问题非常复杂，因为序列的长度可能不同，并且包含大量的输入符号词汇。该解决方案要求模型学习输入序列中符号之间的长期依赖关系。
 
-IMDB 数据集包含 25,000 个极地电影评论（好的或坏的）用于训练，并且相同的数量再次用于测试。这些数据由斯坦福大学的研究人员收集，并用于 2011 年的一篇论文中，其中 50-50 分的数据被用于训练和测试。在本文中，实现了 88.89% 的准确率。
+IMDB 数据集包含 25,000 个极地电影评论（好的或坏的）用于训练，并且相同的数量再次用于测试。这些数据由斯坦福大学的研究人员收集，并用于 2011 年的一篇论文中，其中五五开的数据被用于训练和测试。在本文中，实现了 88.89% 的准确率。
 
 一旦我们定义了问题，我们就可以开发一个顺序 LSTM 模型来对电影评论的情感进行分类。我们可以快速开发用于 IMDB 问题的 LSTM 并获得良好的准确率。让我们首先导入此模型所需的类和函数，并将随机数生成器初始化为常量值，以确保我们可以轻松地重现结果。
 
@@ -548,7 +548,7 @@ from tensorflow.python.keras.preprocessing import sequence
 numpy.random.seed(7)
 ```
 
-我们加载 IMDB 数据集。我们将数据集限制为前 5,000 个单词。我们还将数据集分为训练（50% ）和测试（50% ）集。
+我们加载 IMDB 数据集。我们将数据集限制为前 5,000 个单词。我们还将数据集分为训练（50%）和测试（50%）集。
 
 Keras 提供对 IMDB 数据集的内置访问。 `imdb.load_data()`函数允许您以准备好在神经网络和 DL 模型中使用的格式加载数据集。单词已被整数替换，这些整数表示数据集中每个单词的有序频率。因此，每个评论中的句子包括一系列整数。
 
@@ -649,7 +649,7 @@ Accuracy: 86.79%
 from keras.models import Model
 ```
 
-首先要做的是指定模型的输入。让我们使用`Input()`函数声明一个 28×28×1 的张量：
+首先要做的是指定模型的输入。让我们使用`Input()`函数声明一个`28×28×1`的张量：
 
 ```py
 from keras.layers import Input
@@ -675,7 +675,7 @@ vision_model = Model(digit_input, out)
 
 #### SqueezeNet
 
-在这个例子中，我们引入了一个名为 SqueezeNet 的小型 CNN 架构，它在 ImageNet 上实现了 AlexNet 级精度，参数减少了 50 倍。这个架构的灵感来自 GoogleNet 的初始模块，发表在论文中：SqueezeNet：AlexNet 级准确率，参数减少 50 倍，小于 1MB 模型，[可从此链接下载](http://arxiv.org/pdf/1602.07360v2.pdf)。
+在这个例子中，我们引入了一个名为 SqueezeNet 的小型 CNN 架构，它在 ImageNet 上实现了 AlexNet 级精度，参数减少了 50 倍。这个架构的灵感来自 GoogleNet 的初始模块，发表在论文中：SqueezeNet：AlexNet 级准确率，参数减少 50 倍，模型小于 1MB，[可从此链接下载](http://arxiv.org/pdf/1602.07360v2.pdf)。
 
 SqueezeNet 背后的想法是减少使用压缩方案处理的参数数量。此策略使用较少的过滤器减少参数数量。这是通过将挤压层送入它们所称的扩展层来完成的。这两层组成了所谓的 Fire Module，如下图所示：
 
@@ -683,7 +683,7 @@ SqueezeNet 背后的想法是减少使用压缩方案处理的参数数量。此
 
 图 2：SqueezeNet 消防模块
 
-`fire_module`由 1×1 卷积滤波器组成，然后是 ReLU 操作：
+`fire_module`由`1×1`卷积滤波器组成，然后是 ReLU 操作：
 
 ```py
 x = Convolution2D(squeeze,(1,1),padding='valid', name='fire2/squeeze1x1')(x)
@@ -692,14 +692,14 @@ x = Activation('relu', name='fire2/relu_squeeze1x1')(x)
 
 `expand`部分有两部分：`left`和`right`。
 
-`left`部分使用 1×1 卷积，称为扩展 1×1：
+`left`部分使用`1×1`卷积，称为扩展`1×1`：
 
 ```py
 left = Conv2D(expand, (1, 1), padding='valid', name=s_id + exp1x1)(x)
 left = Activation('relu', name=s_id + relu + exp1x1)(left)
 ```
 
-`right`部分使用 3×3 卷积，称为`expand3x3`。这两个部分后面都是 ReLU 层：
+`right`部分使用`3×3`卷积，称为`expand3x3`。这两个部分后面都是 ReLU 层：
 
 ```py
 right = Conv2D(expand, (3, 3), padding='same', name=s_id + exp3x3)(x)
@@ -747,9 +747,9 @@ model = Model(inputs, x, name='squeezenet')
 
 图 3：SqueezeNet 架构
 
-您可以从下面的链接 SqueezeNet 的 Keras 执行  （在`squeezenet.py`文件）：HTG3] https://github.com/rcmalli/keras-squeezenet [HTG4。
+您可以从下面的链接执行 Keras 的 SqueezeNet（在[`squeezenet.py`文件](https://github.com/rcmalli/keras-squeezenet)）：
 
-然后我们在以下`squeeze_test.jpg`（227×227）图像上测试模型：
+然后我们在以下`squeeze_test.jpg`（`227×227`）图像上测试模型：
 
 ![SqueezeNet](img/B09678_08_04.jpg)
 
@@ -783,7 +783,7 @@ Predicted: [[('n02504013', 'Indian_elephant', 0.64139527), ('n02504458', 'Africa
 
 # 总结
 
-在本章中，我们研究了一些基于 TensorFlow 的 DL 研究和开发库。我们引入了 tf.estimator，它是 DL / ML 的简化接口，现在是 TensorFlow 和高级 ML API 的一部分，可以轻松训练，配置和评估各种 ML 模型。我们使用估计器函数为 Iris 数据集实现分类器。
+在本章中，我们研究了一些基于 TensorFlow 的 DL 研究和开发库。我们引入了`tf.estimator`，它是 DL/ML 的简化接口，现在是 TensorFlow 和高级 ML API 的一部分，可以轻松训练，配置和评估各种 ML 模型。我们使用估计器函数为鸢尾花数据集实现分类器。
 
 我们还看了一下 TFLearn 库，它包含了很多 TensorFlow API。在这个例子中，我们使用 TFLearn 来估计泰坦尼克号上乘客的生存机会。为了解决这个问题，我们构建了一个 DNN 分类器。