2020-12-30 22:02:57

new/handson-py-dl-web/11.md

@@ -16,7 +16,7 @@
 
 # 技术要求
 
-您可以在 [https://github.com/PacktPublishing/Hands-On-Python-Deep-Learning-for-Web/tree/master/Chapter11](https://github.com/PacktPublishing/Hands-On-Python-Deep-Learning-for-Web/tree/master/Chapter11) 上访问本章的代码。
+您可以在[这个页面](https://github.com/PacktPublishing/Hands-On-Python-Deep-Learning-for-Web/tree/master/Chapter11)上访问本章的代码。
 
 您需要以下软件来运行本章中使用的代码：
 
@@ -107,7 +107,7 @@ Auto ML 是一种批处理预测方法，无需人工干预。 因此，数据
 *   迭代学习
 *   核心学习
 
-如前所述，`creme`是用于执行在线学习的 Python 库。 保留在 ML 工具箱中是一件非常有用的事情，尤其是在处理生产环境时。 `creme`受 scikit-learn（这是 Python 中非常流行的 ML 库）的启发，它非常易于使用。 要全面了解`creme`，建议您在 [https://github.com/creme-ml/creme](https://github.com/creme-ml/creme) 上查看`creme`的官方 GitHub 存储库。
+如前所述，`creme`是用于执行在线学习的 Python 库。 保留在 ML 工具箱中是一件非常有用的事情，尤其是在处理生产环境时。 `creme`受 scikit-learn（这是 Python 中非常流行的 ML 库）的启发，它非常易于使用。 要全面了解`creme`，建议您在[这个页面](https://github.com/creme-ml/creme)上查看`creme`的官方 GitHub 存储库。
 
 够说话了！ 让我们继续，首先安装`creme`。 可以通过使用以下命令来完成：
 
@@ -150,7 +150,7 @@ data = datasets.Bikes()
 
 我们将处理此数据集，其中包含有关骑车共享的信息。
 
-尽管数据集包含在`creme`库中，但您可以在 [https://archive.ics.uci.edu/ml/datasets/bike+sharing+dataset](https://archive.ics.uci.edu/ml/datasets/bike+sharing+dataset) 上了解有关此数据集的更多信息。
+尽管数据集包含在`creme`库中，但您可以在[这个页面](https://archive.ics.uci.edu/ml/datasets/bike+sharing+dataset)上了解有关此数据集的更多信息。
 
 3.  接下来，我们使用`creme`构建管道，如下所示：
 
@@ -216,9 +216,9 @@ model_selection.progressive_val_score(
 
 # 空气流动
 
-作为一名有效的 ML 练习者，您将需要以编程方式处理诸如上一个工作流之类的工作流，并且还必须能够使其自动化。 Airflow 为您提供了一个有效执行此操作的平台。 此链接 [https://airflow.apache.org](https://airflow.apache.org) 是摘自 Airflow 的官方网站。 Airflow 是一个用于以编程方式编写，安排和监视工作流的平台。
+作为一名有效的 ML 练习者，您将需要以编程方式处理诸如上一个工作流之类的工作流，并且还必须能够使其自动化。 Airflow 为您提供了一个有效执行此操作的平台。 [此链接](https://airflow.apache.org)是摘自 Airflow 的官方网站。 Airflow 是一个用于以编程方式编写，安排和监视工作流的平台。
 
-这样做的主要优点是，**有向无环图**（ **DAG** ）上表示的任务可以轻松地分布在可用资源（通常称为工作者）上。 这也使可视化整个工作流变得更加容易，这非常有帮助，尤其是当工作流非常复杂时。 如果您需要复习 DAG，请访问 [https://cran.r-project.org/web/packages/ggdag/vignettes/intro-to-dags.html](https://cran.r-project.org/web/packages/ggdag/vignettes/intro-to-dags.html) 中的文章。 当您很快看到此实现时，这将变得更加清晰。
+这样做的主要优点是，**有向无环图**（ **DAG** ）上表示的任务可以轻松地分布在可用资源（通常称为工作者）上。 这也使可视化整个工作流变得更加容易，这非常有帮助，尤其是当工作流非常复杂时。 如果您需要复习 DAG，请访问[这个页面](https://cran.r-project.org/web/packages/ggdag/vignettes/intro-to-dags.html)中的文章。 当您很快看到此实现时，这将变得更加清晰。
 
 在设计 ML 工作流程时，您需要考虑许多不同的事物，例如：
 
@@ -279,7 +279,7 @@ pip install -f http://h2o-release.s3.amazonaws.com/h2o/latest_stable_Py.html h2o
 
 现在，我们将深入研究构建示例生产应用程序，该应用程序在后端使用在线学习。 我们将基于 Cleveland 数据集创建一个可以预测心脏病的应用程序。 然后，我们将将此模型部署到基于云容器的服务 Heroku。 最后，我们将演示该应用程序的在线学习功能。
 
-您可以通过 [https://heroku.com](https://heroku.com) 来找到有关 Heroku 的更多信息。
+您可以通过[这里](https://heroku.com)来找到有关 Heroku 的更多信息。
 
 让我们列出我们将涉及的步骤：
 
@@ -316,7 +316,7 @@ UCI 心脏病数据集包含 303 个样本，每个样本具有 76 个属性。
 
 最后会有一列，这是我们将要预测的目标。 这将使当前问题在正常患者和受影响患者之间进行分类。
 
-您可以在 [https://archive.ics.uci.edu/ml/datasets/Heart+Disease](https://archive.ics.uci.edu/ml/datasets/Heart+Disease) 上了解有关克利夫兰数据集的更多信息。
+您可以在[这个页面](https://archive.ics.uci.edu/ml/datasets/Heart+Disease)上了解有关克利夫兰数据集的更多信息。
 
 现在让我们开始构建心脏病检测模型。
 
@@ -355,7 +355,7 @@ df.head(5)
 
 ![](img/1f9f805b-e515-4714-9e23-d04c4b7fd49c.png)
 
-我们可以观察到这 14 列，并查看它们是否已正确导入。 基本的**探索性数据分析**（ **EDA** ）将显示该数据集不包含任何缺失值。 但是，原始的 UCI 克利夫兰数据集确实包含与我们使用的版本相反的缺失值，该版本已经过预处理，可以在 Internet 上以这种形式轻松获得。 您可以在 GitHub 上本章的存储库中找到它的副本，网址为 [http://tiny.cc/HoPforDL-Ch-11](http://tiny.cc/HoPforDL-Ch-11) 。
+我们可以观察到这 14 列，并查看它们是否已正确导入。 基本的**探索性数据分析**（ **EDA** ）将显示该数据集不包含任何缺失值。 但是，原始的 UCI 克利夫兰数据集确实包含与我们使用的版本相反的缺失值，该版本已经过预处理，可以在 Internet 上以这种形式轻松获得。 [您可以在 GitHub 上本章的存储库中找到它的副本](http://tiny.cc/HoPforDL-Ch-11)。
 
 # 步骤 3 –分离目标变量
 
@@ -457,7 +457,7 @@ clf.predict(X_test[0].reshape(-1, 1).T)
 
 我们不会编写`index.html`文件的完整代码，但是我们将看看通过 Ajax 触发器调用后端 API 的两个函数。
 
-您可以在 [http://tiny.cc/HoPforDL-Ch-11-index](http://tiny.cc/HoPforDL-Ch-11-index) 中找到完整的代码。
+您可以在[这个页面](http://tiny.cc/HoPforDL-Ch-11-index)中找到完整的代码。
 
 观察`index.html`中的`109`至`116`行：
 
@@ -626,7 +626,7 @@ python app.py
 
 在本节中，我们将研究如何将演示应用程序部署到 Heroku。 在以下步骤中，我们将在 Heroku 上创建一个帐户，并将所需的修改添加到代码中，从而使其有资格在平台上托管：
 
-1.  首先，访问 [https://id.heroku.com/login](https://id.heroku.com/login) 以获取 Heroku 的登录屏幕。 如果您还没有用户帐户，则可以完成注册过程以免费创建一个：
+1.  首先，访问[这里](https://id.heroku.com/login)以获取 Heroku 的登录屏幕。 如果您还没有用户帐户，则可以完成注册过程以免费创建一个：
 
 ![](img/ec63d54a-25e8-40aa-bd4c-c8b071847486.png)
 
@@ -659,7 +659,7 @@ app/
 ---- app.py
 ```
 
-4.  现在，我们需要在本地系统上安装 Heroku CLI。 按照 [https://devcenter.heroku.com/articles/heroku-cli](https://devcenter.heroku.com/articles/heroku-cli) 提供的说明在系统上安装 Heroku。
+4.  现在，我们需要在本地系统上安装 Heroku CLI。 按照[这里](https://devcenter.heroku.com/articles/heroku-cli)提供的说明在系统上安装 Heroku。
 5.  接下来，我们将在目录上初始化`git`。 为此，请在项目的根目录中使用以下命令：
 
 ```py
@@ -710,7 +710,7 @@ heroku open
 
 ![](img/c8e91eed-3467-461c-8b35-17eaee574e35.png)
 
-上面的屏幕截图来自 [https://docs.python.org/3/library/pickle.html](https://docs.python.org/3/library/pickle.html) 的官方 Python 文档。
+上面的屏幕截图来自[官方 Python 文档](https://docs.python.org/3/library/pickle.html) 。
 
 为了演示一个简单的示例，说明为什么在生产中进行酸洗可能会很危险，请考虑以下 Python 代码：
 

new/handson-py-dl-web/12.md

@@ -18,7 +18,7 @@
 
 # 技术要求
 
-您可以在 [https://github.com/PacktPublishing/Hands-On-Python-Deep-Learning-for-Web/tree/master/Chapter12](https://github.com/PacktPublishing/Hands-On-Python-Deep-Learning-for-Web/tree/master/Chapter12) 上访问本章的代码。
+您可以在[这个页面](https://github.com/PacktPublishing/Hands-On-Python-Deep-Learning-for-Web/tree/master/Chapter12)上访问本章的代码。
 
 您需要以下软件来运行本章中使用的代码：
 
@@ -47,7 +47,7 @@ NLP 是机器学习和深度学习应用程序中最受欢迎的也是最令人
 
 例如，在句子“ Ram 正在读书”中，“ Ram”是名词和主语，“ reading”是单词和动作，而“ book”是名词和宾语。
 
-您可以在 [http://partofspeech.org/](http://partofspeech.org/) 上阅读有关词性的更多信息。 您可以尝试在 [https://linguakit.com/en/part-of-speech-tagging](https://linguakit.com/en/part-of-speech-tagging) 上找出自己句子的词性。
+您可以在[这个页面](http://partofspeech.org/)上阅读有关词性的更多信息。 您可以尝试在[这个页面](https://linguakit.com/en/part-of-speech-tagging)上找出自己句子的词性。
 
 # 代币化
 
@@ -109,7 +109,7 @@ NLP 是机器学习和深度学习应用程序中最受欢迎的也是最令人
 
 虚拟助手也可以存在于网站上，为访问者提供指导和帮助。 诸如此类的助手经常在网站上找到，主要是为消费者查询提供即时支持。 您一定已经注意到几个销售产品或服务的网站上的“问问题”或“可以帮助您”聊天框，通常在屏幕的右下角。 他们经常使用自动聊天机器人代替真实的人来回答查询。 仅在查询过于复杂而无法由自动客户支持聊天机器人回答的情况下，查询才会转移到真实的人。
 
-创建对话式 UI 本身就是一门艺术。 您需要能够使用清晰但对口语很自然的单词。 您可以通过 [https://designguidelines.withgoogle.com/conversation](https://designguidelines.withgoogle.com/conversation/) 了解有关创建对话式用户界面的更多信息。
+创建对话式 UI 本身就是一门艺术。 您需要能够使用清晰但对口语很自然的单词。 您可以通过[这里](https://designguidelines.withgoogle.com/conversation/)了解有关创建对话式用户界面的更多信息。
 
 在下一部分中，我们将创建一个充当客户支持代理的聊天机器人。
 
@@ -127,17 +127,17 @@ Dialogflow 以前称为 Api.ai。 在被 Google 收购之后，它被重命名
 
 # Dialogflow 入门
 
-要开始使用 Dialogflow，您应该访问官方网站 [https://dialogflow.com](https://dialogflow.com) ，进入首页，该页面显示了产品信息和文档链接。 研究您要学习的任何产品或服务的文档始终是一个好主意，因为它包含软件的全部工作和功能。 我们将在本章的后续部分中参考文档中的部分。
+要开始使用 Dialogflow，您应该访问[官方网站](https://dialogflow.com)，进入首页，该页面显示了产品信息和文档链接。 研究您要学习的任何产品或服务的文档始终是一个好主意，因为它包含软件的全部工作和功能。 我们将在本章的后续部分中参考文档中的部分。
 
-您可以在 [https://cloud.google.com/dialogflow/docs/](https://cloud.google.com/dialogflow/docs/) 上找到 Dialogflow 文档。
+您可以在[这个页面](https://cloud.google.com/dialogflow/docs/)上找到 Dialogflow 文档。
 
-Dialogflow 与 GCP 紧密集成，因此我们必须首先创建一个 Google 帐户。 为此，请转到 [https://account.google.com](https://account.google.com) 创建一个帐户。 如果您是第一次使用 Dialogflow 使用您的帐户，则可能需要为您的 Google 帐户提供许多权限。
+Dialogflow 与 GCP 紧密集成，因此我们必须首先创建一个 Google 帐户。 为此，请转到[这里](https://account.google.com)创建一个帐户。 如果您是第一次使用 Dialogflow 使用您的帐户，则可能需要为您的 Google 帐户提供许多权限。
 
 让我们继续进行探索和了解 Dialogflow 帐户创建过程以及 UI 各个部分的步骤。
 
 # 步骤 1 –打开 Dialogflow 控制台
 
-您需要单击页面右上角 [https://dialogflow.com](https://dialogflow.com) 上的转到控制台按钮。 或者，您可以在浏览器中输入 [https://dialogflow.cloud.google.com/](https://dialogflow.cloud.google.com/) 。 如果您是初次使用，您将看到如下屏幕：
+您需要单击[页面右上角](https://dialogflow.com)的转到控制台按钮。 或者，您可以在浏览器中输入`https://dialogflow.cloud.google.com/`。 如果您是初次使用，您将看到如下屏幕：
 
 ![](img/3f63c63f-055e-418d-ab6b-1584c6ee3e17.png)
 
@@ -285,7 +285,7 @@ Dialogflow 与 GCP 紧密集成，因此我们必须首先创建一个 Google
 
 # 第 6 步–创建 Firebase 云功能
 
-Firebase 云功能在 Firebase 平台上运行，并按您在创建 Dialogflow 代理期间选择或创建的 GCP 项目的规定计费。 您可以在 [https://dialogflow.com/docs/how-tos/getting-started-fulfillment](https://dialogflow.com/docs/how-tos/getting-started-fulfillment) 上了解有关云功能的更多信息。
+Firebase 云功能在 Firebase 平台上运行，并按您在创建 Dialogflow 代理期间选择或创建的 GCP 项目的规定计费。 您可以在[这个页面](https://dialogflow.com/docs/how-tos/getting-started-fulfillment)上了解有关云功能的更多信息。
 
 # 步骤 6.1 –将所需的软件包添加到 package.json
 
@@ -357,13 +357,13 @@ function checkOrderStatus(){
 
 # 使用 ngrok 促进本地主机上的 HTTPS API
 
-您将需要创建自己的订单管理系统 API 才能使云功能脚本正常工作，以便它可以从 API 中获取订单状态。 您可以在 [http://tiny.cc/omsapi](http://tiny.cc/omsapi) 中找到快速样本。 您的 API 必须在 HTTPS URL 上运行。 为此，您可以使用 PythonAnywhere 和 ngrok 之类的服务。 尽管 PythonAnywhere 将代码托管在其服务器上并提供固定的 URL，但是 ngrok 可以安装并在本地运行以向`localhost`提供转发地址。
+您将需要创建自己的订单管理系统 API 才能使云功能脚本正常工作，以便它可以从 API 中获取订单状态。 您可以在[这个页面](http://tiny.cc/omsapi)中找到快速样本。 您的 API 必须在 HTTPS URL 上运行。 为此，您可以使用 PythonAnywhere 和 ngrok 之类的服务。 尽管 PythonAnywhere 将代码托管在其服务器上并提供固定的 URL，但是 ngrok 可以安装并在本地运行以向`localhost`提供转发地址。
 
 假设您必须在系统的端口`8000`上为订单管理 API 运行 Django 项目，并且现在希望提供 HTTPS URL 以便进行测试； 您可以按照以下步骤使用 ngrok 轻松做到这一点：
 
 1.  下载 ngrok 工具。
 
-首先，转到 [https://ngrok.com](https://ngrok.com) ，然后单击顶部导航菜单中的“下载”按钮。 根据需要选择正确的工具版本，并将其下载到系统中。
+首先，转到[这里](https://ngrok.com)，然后单击顶部导航菜单中的“下载”按钮。 根据需要选择正确的工具版本，并将其下载到系统中。
 
 2.  创建一个帐户。
 
@@ -565,7 +565,7 @@ def viewOrder(request, orderId):
 
 在我们先前定义的视图中，我们使用了两个模板-`index.html`和`view.html`。 但是为了使它们与设计同步显示，我们还将设置一个`base.html`模板，它将作为 UI 中其余视图模板的主模板。
 
-由于模板大多只是 HTML 模板，对网站的重要内容影响不大，因此我们在 [http://tiny.cc/ordersui-templates](http://tiny.cc/ordersui-templates) 提供了这些文件的代码。 您必须将模板文件保存在`apiui`目录内名为`templates`的文件夹中。
+由于模板大多只是 HTML 模板，对网站的重要内容影响不大，因此我们在[这里](http://tiny.cc/ordersui-templates)提供了这些文件的代码。 您必须将模板文件保存在`apiui`目录内名为`templates`的文件夹中。
 
 在此阶段，您将能够使用以下命令启动 Django 项目服务器并在浏览器中检出网站：
 
@@ -582,7 +582,7 @@ Web 开发领域中一项最新且非常令人兴奋的开发是 Web Speech API
 *   **语音合成**：更广为人知的 **TTS** 。 它执行为任何给定文本生成语音旁白的动作。
 *   **语音识别**：也称为 **STT** 。 它执行识别用户说出的单词并将其转换为相应文本的功能。
 
-您可以浏览 Web 语音 API 的非常详细的文档，该文档可从 Mozilla 文档页面（ [http://tiny.cc/webspeech-moz](http://tiny.cc/webspeech-moz) ）获得。 您可以在 [http://tiny.cc/webspeech-demo](http://tiny.cc/webspeech-demo) 上找到 Google 提供的技术演示：
+您可以浏览 Web 语音 API 的非常详细的文档，该文档可从 [Mozilla 文档页面](http://tiny.cc/webspeech-moz)获得。 您可以在[这个页面](http://tiny.cc/webspeech-demo)上找到 Google 提供的技术演示：
 
 ![](img/a516e800-2a10-471f-84b2-c76d65e116c1.png)
 
@@ -686,7 +686,7 @@ function goDialogFlow(text){
 
 # 第 4 步–由 Ushakov 在 Dialogflow Gateway 上创建 Dialogflow API 代理
 
-转到 [https://dialogflow.cloud.ushakov.co/](https://dialogflow.cloud.ushakov.co/) 。 您将看到一个界面，如下所示：
+转到[这里](https://dialogflow.cloud.ushakov.co/)。 您将看到一个界面，如下所示：
 
 ![](img/2de7c84c-4fa8-4746-9387-f965726690e7.png)
 

new/handson-py-dl-web/13.md

@@ -24,13 +24,13 @@
 
 ![](img/37a5aa9b-2d11-4fc5-9776-4fa843b19966.png)
 
-Quora 在某个时间点成为（现在仍然算是）互联网上最令人上瘾的社交平台。 他们使用了一个简单的问答网站，并使用深度学习将其转变为一个了不起的平台。 您可以通过 [https://quora.com](https://quora.com) 检出平台。
+Quora 在某个时间点成为（现在仍然算是）互联网上最令人上瘾的社交平台。 他们使用了一个简单的问答网站，并使用深度学习将其转变为一个了不起的平台。 您可以通过[这里](https://quora.com)检出平台。
 
 # Duolingo
 
 学习新语言一直是一项艰巨的任务。 当 Duolingo 于 2012 年投放市场时，它带来了一个越来越重要和广泛的术语-人工智能。 他们将记忆单词和语法规则等平凡的东西转换为微型游戏，这些微型游戏对每个用户的反应不同。 Duolingo AI 考虑了人脑的时间特性。 他们制定了关于一个人可能很快忘记他/她学到的单词的研究。 他们称此概念为半衰期回归，并用它来增强对它预测用户在任何给定时间点会忘记的单词的了解。
 
-这在他们的支持下取得了巨大的成功，使 Duolingo 成为移动应用商店中最受欢迎的应用之一。 他们的网站也是非正统设计的经典例子，广受好评。 您可以通过 [https://duolingo.com](https://duolingo.com) 了解有关 Duolingo 的更多信息。
+这在他们的支持下取得了巨大的成功，使 Duolingo 成为移动应用商店中最受欢迎的应用之一。 他们的网站也是非正统设计的经典例子，广受好评。 您可以通过[这里](https://duolingo.com)了解有关 Duolingo 的更多信息。
 
 # Spotify
 
@@ -48,7 +48,7 @@ Spotify 还引入了一项非常强大的功能-根据音频样本搜索歌曲
 
 ![](img/07b18479-7ac7-4225-94b6-a59738a7ddc4.png)
 
-Google 相册由于在后台使用了深度学习，因此在个人在线画廊方面处于市场领先地位。 如果您想了解更多信息，请访问 [https://photos.google.com](https://photos.google.com) 。
+Google 相册由于在后台使用了深度学习，因此在个人在线画廊方面处于市场领先地位。 如果您想了解更多信息，请访问[这里](https://photos.google.com)。
 
 在本节中，我们看了一些受深度学习极大影响的产品。 在下一部分中，我们将看到一些新兴领域，其中深度学习似乎会带来很多积极成果。
 
@@ -98,10 +98,10 @@ Google 相册由于在后台使用了深度学习，因此在个人在线画廊
 
 但是，以下是各个小组使用经典机器学习和深度学习方法进行的一些研究：
 
-*   *在社交媒体网络中检测虚假新闻*： [https://www.sciencedirect.com/science/article/pii/S1877050918318210](https://www.sciencedirect.com/science/article/pii/S1877050918318210)
-*   *使用几何深度学习在社交媒体上进行虚假新闻检测*： [https://arxiv.org/abs/1902.06673](https://arxiv.org/abs/1902.06673)
+*   [《在社交媒体网络中检测虚假新闻》](https://www.sciencedirect.com/science/article/pii/S1877050918318210)
+*   [《使用几何深度学习在社交媒体上进行虚假新闻检测》](https://arxiv.org/abs/1902.06673)
 
-鼓励您在 [https://arxiv.org/pdf/1812.00315.pdf](https://arxiv.org/pdf/1812.00315.pdf) 上查看调查报告，该报告提供了有关各种假新闻检测技术的综合指南，并讨论了有关该主题的相关研究。 另一方面，一家名为 Varia（ [https://www.varia.media/](https://www.varia.media/) ）的德国初创公司正试图以一种独特的方式解决假新闻问题。 他们没有提供新闻的真实性，而是提供了某些新闻的不同观点。 换句话说，他们正在提供透视服务。 要了解更多信息，您绝对应该在 [https://alpha.varia.media/](https://alpha.varia.media/) 中进行检查。
+鼓励您在[这个页面](https://arxiv.org/pdf/1812.00315.pdf)上查看调查报告，该报告提供了有关各种假新闻检测技术的综合指南，并讨论了有关该主题的相关研究。 另一方面，一家名为 [Varia](https://www.varia.media/) 的德国初创公司正试图以一种独特的方式解决假新闻问题。 他们没有提供新闻的真实性，而是提供了某些新闻的不同观点。 换句话说，他们正在提供透视服务。 要了解更多信息，您绝对应该在[这个页面](https://alpha.varia.media/)中进行检查。
 
 # 概要