2020-09-03 21:40:37

docs/dl-cv/01.md

@@ -21,7 +21,7 @@
 
 # 激活功能
 
-`activation`函数使**神经网络**成为非线性。 激活功能决定是否应触发感知器。 在训练激活期间，功能在调整梯度中起着重要作用。 下一节所示的`activation`功能（如 S 型）会衰减较大幅度的值。 `activation`函数的这种非线性行为为学习复杂函数提供了深层网络。 `activation`的大多数功能是连续和微分功能，但整流单元为 0 除外。输入的每一个小变化，连续功能的输出都会有很小的变化。 微分函数在域中的每个点都有一个导数。
+`activation`函数使**神经网络**成为非线性。 激活功能决定是否应触发感知器。 在训练激活期间，功能在调整梯度中起着重要作用。 下一节所示的`activation`功能（如 Sigmoid）会衰减较大幅度的值。 `activation`函数的这种非线性行为为学习复杂函数提供了深层网络。 `activation`的大多数功能是连续和微分功能，但整流单元为 0 除外。输入的每一个小变化，连续功能的输出都会有很小的变化。 微分函数在域中的每个点都有一个导数。
 
 为了训练神经网络，功能必须是可微的。 以下是一些`activation`功能。
 
@@ -29,15 +29,15 @@
 
 # 乙状结肠
 
-Sigmoid 可以看作是平滑的阶跃函数，因此可以微分。 Sigmoid 可用于将任何值转换为概率，并可用于二进制分类。 S 型映射将输入映射到 0 到 1 范围内的值，如下图所示：
+Sigmoid 可以看作是平滑的阶跃函数，因此可以微分。 Sigmoid 可用于将任何值转换为概率，并可用于二进制分类。 Sigmoid 映射将输入映射到 0 到 1 范围内的值，如下图所示：
 
 ![](img/f171c6d5-67e5-4e9c-a168-be794c8e444b.png)
 
-相对于`X`的`Y`值的变化将很小，因此，梯度将消失。 经过一番学习之后，变化可能很小。 在下一节中介绍的另一个称为`tanh`的激活函数是 S 型曲线的缩放比例版本，避免了梯度消失的问题。
+相对于`X`的`Y`值的变化将很小，因此，梯度将消失。 经过一番学习之后，变化可能很小。 在下一节中介绍的另一个称为`tanh`的激活函数是 Sigmoid 曲线的缩放比例版本，避免了梯度消失的问题。
 
 # 双曲正切函数
 
-双曲正切函数或 `tanh` 是 S 型曲线的缩放形式。 像乙状结肠一样，它是光滑且可区分的。 `tanh`将输入映射到 -1 到 1 的值，如下图所示：
+双曲正切函数或 `tanh` 是 Sigmoid 曲线的缩放形式。 像乙状结肠一样，它是光滑且可区分的。 `tanh`将输入映射到 -1 到 1 的值，如下图所示：
 
 ![](img/623bcab3-b4f7-4ce7-b817-a3f1bad2944d.png)