2020-12-27 15:29:18

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

@@ -32,7 +32,7 @@ TensorFlow 是用于机器学习以及最近的深度学习的最受欢迎的架
 *   Python 3.6
 *   Windows 上的 TensorFlow 1.4 或更高版本
 *   Keras 2
-*   张量板
+*   TensorBoard
 *   Jupyter 笔记本
 *   Pandas
 *   NumPy

new/handson-meta-learn-py/02.md

@@ -60,7 +60,7 @@
 
 连体网络的应用是无止境的。 它们已经堆叠了用于执行各种任务的各种架构，例如人类动作识别，场景更改检测和机器翻译。
 
-# 使用连体网络进行人脸识别
+# 将连体网络用于人脸识别
 
 我们将通过建立人脸识别模型来了解连体网络。 我们网络的目标是了解两个面孔是相似还是相异。 我们使用 AT&T 人脸数据库，[可以从此处下载](https://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html)。
 

new/handson-meta-learn-py/07.md

@@ -456,7 +456,7 @@ Reptile 是一种简单而有效的算法。 Reptile 可以实现串行和批量
 4.  我们在更接近先前步骤中获得的最佳参数`θ'[i]`的方向上更新了随机初始化的参数`θ`如下：`θ = θ + ε(θ - θ')`。
 5.  对于`n`迭代次数，我们重复步骤 2 到步骤 4。
 
-# 使用 Reptile 进行正弦波回归
+# 将 Reptile 用于正弦波回归
 
 在上一节中，我们了解了 Reptile 的工作原理。 现在，我们将从头开始对 Reptile 进行编码，从而更好地理解它。 假设我们有一个任务集合，每个任务的目标是在给定一些输入的情况下使正弦波的输出回归。 那是什么意思呢？
 

new/handson-rl-py/07.md

@@ -817,7 +817,7 @@ CNN 通常包含三个主要层：
 
 首先，将图像传递到卷积层，在卷积层中我们应用卷积运算以提取特征，然后将特征映射传递到池化层，在其中减小尺寸。 我们可以根据用例添加任意数量的卷积和池化层。 此后，我们可以添加一个神经网络，该神经网络的末尾有一个隐藏层，称为全连接层，该层对图像进行分类。
 
-# 使用 CNN 对时尚产品进行分类
+# 使用 CNN 对时尚产品分类
 
 现在，我们将看到如何使用 CNN 对时尚产品进行分类。
 

new/intel-proj-py/03.md

@@ -220,7 +220,7 @@ NMT 与其他传统方法相比的一些优点如下：
 
 现在我们已经讨论了编码器-解码器 NMT 的训练过程，现在我们将研究如何在推理过程中使用训练后的模型。
 
-# 使用编码器-解码器模型进行推理
+# 将编码器-解码器模型用于推理
 
 在 **NMT**（**神经翻译机**）上进行推理的架构流程与训练 NMT 略有不同。 以下是使用 NMT 执行推理的架构流程：
 

new/master-pred-anal-sklearn-tf/1.md

@@ -184,7 +184,7 @@ import pandas as pd
 
 从此屏幕截图中，我们可以看到`Real price`和`Predicted price`的值非常接近，无论是昂贵的钻石还是便宜的钻石。
 
-# 使用集成方法进行分类
+# 将集成方法用于分类
 
 现在，我们已经熟悉了集成学习和集成方法的基本概念。 现在，我们将实际使用这些方法在使用各种机器学习算法的模型构建中进行比较，并比较它们产生的结果。 为了实际测试所有这些方法，我们将需要一个样本数据集，以便在给定的数据集上实现这些方法，并了解这如何帮助我们提高模型的性能。
 

new/master-pred-anal-sklearn-tf/5.md

-# 使用 TensorFlow 和深度神经网络进行预测分析
+# 将 TensorFlow 和深度神经网络用于预测分析
 
 TensorFlow 是 **Google Brain Team** 开发的开源库。 它用于大型机器学习应用程序（例如神经网络）中，并用于进行数值计算。 开发人员可以使用 TensorFlow 创建数据流图。 这些图显示了数据的移动。 TensorFlow 可用于为各种应用（例如图像识别，机器语言翻译和自然语言处理）训练和运行深度神经网络。
 
@@ -10,7 +10,7 @@ TensorFlow 是 **Google Brain Team** 开发的开源库。 它用于大型机器
 *   **深度神经网络**（**DNN**）的回归
 *   DNN 分类
 
-# 使用 TensorFlow 进行预测
+# 将 TensorFlow 用于预测
 
 我们将执行深度学习的`hello world`示例。 此示例用于检查并确保模型按预期工作。 为此，我们将使用 MNIST 数据集。
 

new/whats-new-tf2/4.md

@@ -13,7 +13,7 @@ TensorFlow 1.x 版本强烈支持低级和中级 API，以构建机器学习模
 *   模型编制与训练
 *   定制训练逻辑
 *   分布式训练
-*   张量板
+*   TensorBoard
 
 # 技术要求