2020-09-12 21:55:32

docs/get-start-tf/ch00.md

@@ -41,10 +41,10 @@ TensorFlow 是一个开源软件库，用于实现机器学习和深度学习系
 您还将需要以下 Python 模块（最好是最新版本）：
 
 *   点子
-*   巴塞尔
+*   Bazel
 *   Matplotlib
 *   NumPy
-*   大熊猫
+*   Pandas
 
 # 这本书是给谁的
 

docs/get-start-tf/ch01.md

@@ -3,10 +3,10 @@
 在本章中，我们将介绍以下主题：
 
 *   机器学习和深度学习基础
-*   TensorFlow –概述
+*   TensorFlow 概述
 *   Python 基础
 *   安装 TensorFlow
-*   第一次工作会话
+*   第一个工作会话
 *   数据流图
 *   TensorFlow 编程模型
 *   如何使用 TensorBoard

docs/get-start-tf/ch02.md

@@ -686,7 +686,7 @@ TensorFlow 具有解决其他更复杂任务的功能。 例如，我们将使
 
     ```
 
-2.  `x`变量是函数的独立变量：
+2.  `x`变量是函数的自变量：
 
     ```py
      x = tf.placeholder(tf.float32)
@@ -707,14 +707,14 @@ TensorFlow 具有解决其他更复杂任务的功能。 例如，我们将使
 
     ```
 
-5.  要评估渐变，我们必须建立一个会话：
+5.  要求解梯度，我们必须建立一个会话：
 
     ```py
      with tf.Session() as session:
 
     ```
 
-6.  将通过变量 `x=1`评估梯度：
+6.  将通过变量`x=1`求解梯度：
 
     ```py
      var_grad_val = session.run(var_grad,feed_dict={x:1}) 

docs/get-start-tf/ch03.md

@@ -124,7 +124,7 @@ cost_function = tf.reduce_mean(tf.square(y - y_point))
 为了使`cost_function`最小化，我们使用*梯度下降*的优化算法。 给定几个变量的数学函数，梯度下降允许找到该函数的局部最小值。 该技术如下：
 
 *   **在函数域的任意第一个点评估函数本身及其梯度**。 梯度表示函数趋向于最小的方向。
-*   **在渐变指示的方向上选择第二个点**。 如果此第二点的函数的值小于在第一点计算的值，则下降可以继续。
+*   **在梯度指示的方向上选择第二个点**。 如果此第二点的函数的值小于在第一点计算的值，则下降可以继续。
 
 您可以参考下图来直观地了解算法：
 
@@ -579,7 +579,7 @@ K 均值是最常见和最简单的*聚类算法*之一，它可以根据对象
 该算法遵循一个迭代过程：
 
 1.  随机选择 K 个点作为初始质心。
-2.  重复。
+2.  重复：
 3.  通过将所有点分配给最接近的质心来形成表格 K 的聚类。
 4.  重新计算每个群集的质心。
 5.  直到质心不变。

docs/get-start-tf/ch04.md

@@ -7,7 +7,7 @@
 *   逻辑回归
 *   多层感知机
 *   多层感知机分类
-*   多层感知机功能逼近
+*   多层感知机函数近似
 
 # 什么是人工神经网络？
 
@@ -86,7 +86,7 @@ Rosemblatt 的感知机架构
 
     ```
 
-3.  然后，我们设置训练阶段的总时间：
+3.  然后，我们设置训练阶段的总次数：
 
     ```py
     training_epochs = 25
@@ -626,7 +626,7 @@ TensorFlow 提供了优化器基类来计算损失的梯度并将梯度应用于
 
 以下是启动会话的步骤：
 
-1.  绘制设置：
+1.  定义集合：
 
     ```py
     avg_set = []
@@ -641,7 +641,7 @@ TensorFlow 提供了优化器基类来计算损失的梯度并将梯度应用于
 
     ```
 
-3.  启动图形：
+3.  启动图：
 
     ```py
     with tf.Session() as sess:
@@ -666,7 +666,7 @@ TensorFlow 提供了优化器基类来计算损失的梯度并将梯度应用于
 
     ```
 
-6.  使用批次数据进行健身训练：
+6.  使用批次数据进行拟合训练：
 
     ```py
      sess.run(optimizer, feed_dict={x: batch_xs, y: batch_ys})
@@ -711,7 +711,7 @@ TensorFlow 提供了优化器基类来计算损失的梯度并将梯度应用于
 
     ```
 
-10.  这是 20 个纪元后的输出结果：
+10.  这是 20 个周期后的输出结果：
 
     ```py
     Python 2.7.10 (default, Oct 14 2015, 16:09:02)  [GCC 5.2.1 20151010] on linux2 Type "copyright", "credits" or "license()" for more information.

docs/get-start-tf/ch05.md

@@ -150,7 +150,7 @@ CNN 架构架构
 
     ```
 
-4.  MNIST 的总分类（0-9 位）
+4.  MNIST 的总类别（0-9）
 
     ```py
     n_classes = 10
@@ -737,7 +737,7 @@ python ptb_word_lm --data_path=/tmp/simple-examples/data/ --model small
 
 在`/tmp/simple-examples/data/`中，您必须已经从 PTB 数据集中下载了数据。
 
-以下列表显示了训练 8 个小时后的跑步情况（对于*小型*配置，为 13 个纪元）：
+以下列表显示了训练 8 个小时后的运行情况（对于*小型*配置，为 13 个周期）：
 
 ```py
 Epoch: 1 Learning rate: 1.000