2020-09-02 18:42:35

docs/dl-cv/00.md

@@ -8,25 +8,25 @@
 
 # 本书涵盖的内容
 
-[第 1 章](../Text/01.html)，*入门* 介绍了深度学习的基础知识，并使读者熟悉该词汇表。 读者将安装遵循其余各章所必需的软件包。 
+第 1 章，*入门* 介绍了深度学习的基础知识，并使读者熟悉该词汇表。 读者将安装遵循其余各章所必需的软件包。 
 
-[第 2 章](../Text/02.html)和 *图像分类* 讨论图像分类问题，该问题将整个图像标记为图像。 读者将学习图像分类技术，并训练用于宠物分类的深度学习模型。 他们还将学习提高准确性的方法，并深入研究各种先进的体系结构。
+第 2 章和 *图像分类* 讨论图像分类问题，该问题将整个图像标记为图像。 读者将学习图像分类技术，并训练用于宠物分类的深度学习模型。 他们还将学习提高准确性的方法，并深入研究各种先进的体系结构。
 
-[第 3 章](../Text/03.html)和*图像检索* 涵盖了深层功能和图像检索。 读者将学习获得模型可视化，视觉特征，使用 TensorFlow 进行推理以及服务和使用视觉特征进行产品检索的各种方法。
+第 3 章和*图像检索* 涵盖了深层功能和图像检索。 读者将学习获得模型可视化，视觉特征，使用 TensorFlow 进行推理以及服务和使用视觉特征进行产品检索的各种方法。
 
-[第 4 章](../Text/04.html)和*对象检测* 讨论了检测图像中的对象。 读者将学习各种物体检测技术，并将其应用于行人检测。 本章将使用用于对象检测的 TensorFlow API。
+第 4 章和*对象检测* 讨论了检测图像中的对象。 读者将学习各种物体检测技术，并将其应用于行人检测。 本章将使用用于对象检测的 TensorFlow API。
 
-[第 5 章](../Text/05.html)，*语义分割* 涵盖了 像素级图像分割。 读者将获得有关分割技术的知识，并训练用于医学图像分割的模型。
+第 5 章，*语义分割* 涵盖了 像素级图像分割。 读者将获得有关分割技术的知识，并训练用于医学图像分割的模型。
 
-[第 6 章](../Text/06.html)，*相似性学习*讨论了关于相似性学习的。 读者将学习相似度匹配以及如何训练人脸识别模型。 示出了训练面部地标的模型。
+第 6 章，*相似性学习*讨论了关于相似性学习的。 读者将学习相似度匹配以及如何训练人脸识别模型。 示出了训练面部地标的模型。
 
-[第 7 章](../Text/07.html)，*图像字幕* 是关于生成或选择图像字幕的 。 读者将学习自然语言处理技术以及如何使用这些技术为图像生成字幕。
+第 7 章，*图像字幕* 是关于生成或选择图像字幕的 。 读者将学习自然语言处理技术以及如何使用这些技术为图像生成字幕。
 
-[第 8 章](../Text/08.html)和 *生成模型* 讨论了关于出于各种目的生成合成图像的问题。 读者将了解什么是生成模型，并将其用于图像生成应用，例如样式转换，训练数据等。
+第 8 章和 *生成模型* 讨论了关于出于各种目的生成合成图像的问题。 读者将了解什么是生成模型，并将其用于图像生成应用，例如样式转换，训练数据等。
 
-[第 9 章](../Text/09.html)和*视频分类* 涵盖了用于视频数据的 计算机视觉技术。 读者将了解解决视频与图像问题之间的主要区别，并实施视频分类技术。
+第 9 章和*视频分类* 涵盖了用于视频数据的 计算机视觉技术。 读者将了解解决视频与图像问题之间的主要区别，并实施视频分类技术。
 
-[第 10 章](../Text/10.html)，*部署* ， 讨论了深度学习模型的部署步骤。 读者将学习如何在各种平台上部署训练有素的模型并优化速度。
+第 10 章，*部署* ， 讨论了深度学习模型的部署步骤。 读者将学习如何在各种平台上部署训练有素的模型并优化速度。
 
 # 充分利用这本书
 

docs/dl-cv/01.md

@@ -183,7 +183,7 @@ LSTM 有几个门：忘记，输入和输出。 忘记门保持信息先前的
 
 ![](img/0ac5cf28-7641-47ed-a19f-af886508aae7.png)
 
-[第 2 章](../Text/02.html)， *图像分类*详细介绍了可用于分类任务的方法，在[第 3 章](../Text/03.html)和[HTG8 图像检索，我们使用分类模型对深度学习模型进行可视化并检索相似的图像。
+第 2 章， *图像分类*详细介绍了可用于分类任务的方法，在第 3 章和[HTG8 图像检索，我们使用分类模型对深度学习模型进行可视化并检索相似的图像。
 
 # 检测或定位和细分
 
@@ -191,7 +191,7 @@ LSTM 有几个门：忘记，输入和输出。 忘记门保持信息先前的
 
 ![](img/eebafaa9-de29-4acc-aa17-e39010013809.png)
 
-分割是进行像素分类的任务。 这样可以很好地分离对象。 这对于处理医学图像和卫星图像很有用。 更多示例和说明可以在[第 4 章](../Text/04.html)，对象检测和[第 5 章](../Text/05.html)，*图像分割*中找到。
+分割是进行像素分类的任务。 这样可以很好地分离对象。 这对于处理医学图像和卫星图像很有用。 更多示例和说明可以在第 4 章，对象检测和第 5 章，*图像分割*中找到。
 
 # 相似学习
 
@@ -199,7 +199,7 @@ LSTM 有几个门：忘记，输入和输出。 忘记门保持信息先前的
 
 ![](img/55f91a2f-3104-4dee-8feb-81aebcea95c3.png)
 
-从发现相似产品到执行面部识别，此方法有多种应用。 [第 6 章](../Text/06.html)，*相似性学习*处理相似性学习技术。
+从发现相似产品到执行面部识别，此方法有多种应用。 第 6 章，*相似性学习*处理相似性学习技术。
 
 # 图片字幕
 
@@ -209,7 +209,7 @@ LSTM 有几个门：忘记，输入和输出。 忘记门保持信息先前的
 
 经 Vinyals 等人许可复制。
 
-[第 8 章](../Text/07.html)，*图像字幕*详细介绍了图像字幕。 这是将**自然语言处理**（ **NLP** ）和计算机视觉技术相结合的独特情况。
+第 8 章，*图像字幕*详细介绍了图像字幕。 这是将**自然语言处理**（ **NLP** ）和计算机视觉技术相结合的独特情况。
 
 # 生成模型
 
@@ -219,11 +219,11 @@ LSTM 有几个门：忘记，输入和输出。 忘记门保持信息先前的
 
 经 Gatys 等人许可复制。
 
-可以出于其他目的生成图像，例如新的训练示例，超分辨率图像等。 [第 7 章](../Text/08.html)和*生成模型*详细介绍了生成模型。
+可以出于其他目的生成图像，例如新的训练示例，超分辨率图像等。 第 7 章和*生成模型*详细介绍了生成模型。
 
 # 视频分析
 
-与以前的情况相比，视频分析处理的是整个视频，而不是图像。 它具有多种应用，例如运动跟踪，入侵检测和监视摄像机。 [第 9 章](../Text/09.html)和*视频分类*处理特定于视频的应用程序。 时间数据的新维度带来了许多有趣的应用。 在下一节中，我们将看到如何设置开发环境。
+与以前的情况相比，视频分析处理的是整个视频，而不是图像。 它具有多种应用，例如运动跟踪，入侵检测和监视摄像机。 第 9 章和*视频分类*处理特定于视频的应用程序。 时间数据的新维度带来了许多有趣的应用。 在下一节中，我们将看到如何设置开发环境。
 
 # 开发环境设置
 
@@ -232,7 +232,7 @@ LSTM 有几个门：忘记，输入和输出。 忘记门保持信息先前的
 *   **开发操作系统**（ **OS** ），例如 Mac，Ubuntu 或 Windows
 *   **部署操作系统**（例如 Mac，Windows，Android，iO 或 Ubuntu）安装在云平台（例如 **Amazon Web Services** （ **AWS** ）， **云平台**（ **GCP** ），Azure，Tegra，Raspberry Pi
 
-无论使用哪种平台，本书中开发的所有代码均应运行无任何问题。 在本章中，我们将介绍开发环境的安装过程。 在[第 10 章](../Text/10.html)和*部署*中，我们将介绍在各种其他环境（例如 AWS，GCP，Azure，Tegra 和 Raspberry Pi）中的部署安装。
+无论使用哪种平台，本书中开发的所有代码均应运行无任何问题。 在本章中，我们将介绍开发环境的安装过程。 在第 10 章和*部署*中，我们将介绍在各种其他环境（例如 AWS，GCP，Azure，Tegra 和 Raspberry Pi）中的部署安装。
 
 # 硬件和操作系统-OS
 
@@ -478,11 +478,11 @@ TensorFlow Serving 是 TensorFlow 中的工具，专为灵活的部署环境而
 sudo apt-get install tensorflow-model-server
 ```
 
-有关如何使用服务的逐步说明，将在[第 3 章](../Text/03.html)，*图像检索*中进行介绍。 请注意，仅在 Ubuntu 中即可轻松安装 Serving； 对于其他操作系统，请参考[这里](https://www.tensorflow.org/serving/setup)。 下图说明了 TensorFlow Serving 和 TensorFlow 在生产环境中如何交互：
+有关如何使用服务的逐步说明，将在第 3 章，*图像检索*中进行介绍。 请注意，仅在 Ubuntu 中即可轻松安装 Serving； 对于其他操作系统，请参考[这里](https://www.tensorflow.org/serving/setup)。 下图说明了 TensorFlow Serving 和 TensorFlow 在生产环境中如何交互：
 
 ![](img/54fe6552-5ba5-4270-ab85-74a753389c05.png)
 
-训练过程可以产生许多模型，Serving 会无缝切换它们，而不会造成任何停机。 除了[第 3 章](../Text/03.html)，*图像检索*和[第 10 章](../Text/10.html)，*部署*之外，以下各章均不需要 TensorFlow Serving。
+训练过程可以产生许多模型，Serving 会无缝切换它们，而不会造成任何停机。 除了第 3 章，*图像检索*和第 10 章，*部署*之外，以下各章均不需要 TensorFlow Serving。
 
 # 凯拉斯图书馆
 

docs/dl-cv/02.md

@@ -64,7 +64,7 @@ bias = tf.Variable(tf.random_normal([no_classes]))
 logits = tf.matmul(x_input, weights) + bias
 ```
 
-必须将感知器产生的`logits`与单热标签`y_input`进行比较。 正如在[第 1 章](../Text/01.html)和*入门*中所了解的，最好使用 softmax 和交叉熵来比较`logits`和单热标签。
+必须将感知器产生的`logits`与单热标签`y_input`进行比较。 正如在第 1 章和*入门*中所了解的，最好使用 softmax 和交叉熵来比较`logits`和单热标签。
 
 TensorFlow 的 `tf.nn.softmax_cross_entropy_with_logits` API 为我们做到了。 可以通过平均交叉熵来计算损耗。 然后，交叉熵通过`tf.train.GradientDescentOptimizer`完成的梯度下降优化得到馈送。 优化器接受损失，并以`0.5`的学习率将其最小化。 接下来显示 softmax，交叉熵，损耗，优化的计算：
 
@@ -279,7 +279,7 @@ for batch_no in range(total_batches):
         test_summary_writer.add_summary(merged_summary, batch_no)
 ```
 
-每次迭代都会返回摘要以获取训练数据，并将其添加到编写器中。 对于第十次迭代，将添加测试摘要。 请注意，仅在训练期间而不是在测试期间启用辍学。 我们已经完成了定义以及网络摘要，可以运行该网络。 要查看培训过程，我们可以按照[第 1 章](../Text/01.html)，*入门*中所述前往 TensorBoard。
+每次迭代都会返回摘要以获取训练数据，并将其添加到编写器中。 对于第十次迭代，将添加测试摘要。 请注意，仅在训练期间而不是在测试期间启用辍学。 我们已经完成了定义以及网络摘要，可以运行该网络。 要查看培训过程，我们可以按照第 1 章，*入门*中所述前往 TensorBoard。
 
 # 在深度学习中使用 TensorBoard
 

docs/dl-cv/04.md

@@ -30,7 +30,7 @@
 
 # ImageNet 数据集
 
-ImageNet 具有用于评估分类，本地化和检测任务的数据。 [第 2 章](../Text/02.html)，*图像分类*详细讨论了分类数据集。 与分类数据类似，本地化任务有 1,000 个类别。 准确度是根据前五次检测得出的。 所有图像中至少会有一个边界框。 有 470,000 张图像的检测问题有 200 个对象，每个图像平均有 1.1 个对象。
+ImageNet 具有用于评估分类，本地化和检测任务的数据。 第 2 章，*图像分类*详细讨论了分类数据集。 与分类数据类似，本地化任务有 1,000 个类别。 准确度是根据前五次检测得出的。 所有图像中至少会有一个边界框。 有 470,000 张图像的检测问题有 200 个对象，每个图像平均有 1.1 个对象。
 
 # PASCAL VOC 挑战
 
@@ -100,7 +100,7 @@ mAP 用于评估检测算法。 mAP 度量是检测到的边界框的精度和
 
 # 本地化算法
 
-定位算法是在[第 2 章](../Text/02.html)，*图像分类*和[第 3 章](../Text/03.html)，*图像检索*中学习的材料的扩展。 在图像分类中，图像经过 CNN（卷积神经网络）的多层。 CNN 的最后一层输出属于每个标签的概率值。 可以扩展它以定位对象。 我们将在以下各节中看到这些想法。
+定位算法是在第 2 章，*图像分类*和第 3 章，*图像检索*中学习的材料的扩展。 在图像分类中，图像经过 CNN（卷积神经网络）的多层。 CNN 的最后一层输出属于每个标签的概率值。 可以扩展它以定位对象。 我们将在以下各节中看到这些想法。
 
 # 使用滑动窗口定位对象
 
@@ -161,7 +161,7 @@ logits = tf.reshape(logits, [-1, 10])
 
 ![](img/6bfd58bb-e261-4dee-8b30-25c3f884e729.png)
 
-基准点是脸部相对于眼睛，鼻子和嘴唇的位置的地标。 找到这些地标对于基于面部的增强现实应用至关重要。 人脸识别中还有更多地标可用，将在[第 6 章](../Text/06.html)，*相似性学习*中详细介绍。
+基准点是脸部相对于眼睛，鼻子和嘴唇的位置的地标。 找到这些地标对于基于面部的增强现实应用至关重要。 人脸识别中还有更多地标可用，将在第 6 章，*相似性学习*中详细介绍。
 
 # 结合回归与滑动窗口
 

docs/dl-cv/05.md

@@ -56,7 +56,7 @@
 
 # 数据集
 
-[第 4 章](../Text/04.html)，*对象检测*中提到的`PASCAL`和`COCO`数据集也可以用于分割任务。 注释是不同的，因为它们是按像素标记的。 新算法通常以`COCO`数据集为基准。 `COCO`还具有诸如草，墙和天空之类的东西数据集。 像素精度属性可用作评估算法的指标。
+第 4 章，*对象检测*中提到的`PASCAL`和`COCO`数据集也可以用于分割任务。 注释是不同的，因为它们是按像素标记的。 新算法通常以`COCO`数据集为基准。 `COCO`还具有诸如草，墙和天空之类的东西数据集。 像素精度属性可用作评估算法的指标。
 
 除了上面提到的那些以外，在医学影像和卫星影像领域还有其他几个数据集。 这里提供了指向其中一些链接的供您参考：
 
@@ -78,7 +78,7 @@
 
 # 完全卷积网络
 
-**全卷积网络**（ **FCN** ）引入了端到端卷积网络的思想。 通过删除完全连接的层，可以将任何标准的 CNN 架构用于 FCN，其实现在[第 4 章](../Text/04.html)，*对象检测*中进行了显示。 完全连接的层被卷积层代替。 最终层的深度较高，尺寸较小。 因此，可以执行一维卷积以达到所需的标签数量。 但是对于分割，必须保留空间尺寸。 因此，构建完整的卷积网络时没有最大池，如下所示：
+**全卷积网络**（ **FCN** ）引入了端到端卷积网络的思想。 通过删除完全连接的层，可以将任何标准的 CNN 架构用于 FCN，其实现在第 4 章，*对象检测*中进行了显示。 完全连接的层被卷积层代替。 最终层的深度较高，尺寸较小。 因此，可以执行一维卷积以达到所需的标签数量。 但是对于分割，必须保留空间尺寸。 因此，构建完整的卷积网络时没有最大池，如下所示：
 
 ![](img/3b75d8a1-168a-4625-b727-169ebb0425f4.png)
 
@@ -94,7 +94,7 @@
 
 # 通过合并对图层进行上采样
 
-在[第 1 章](../Text/01.html)和*入门*中，我们讨论了最大池化。 最大池化是一种从窗口中选取最大值的采样策略。 对于上采样，可以相反。 每个值都可以用零包围，以对该层进行上采样，如下所示：
+在第 1 章和*入门*中，我们讨论了最大池化。 最大池化是一种从窗口中选取最大值的采样策略。 对于上采样，可以相反。 每个值都可以用零包围，以对该层进行上采样，如下所示：
 
 ![](img/6c6fa429-432a-4bc4-af17-015e872d5490.png)
 

docs/dl-cv/06.md

@@ -9,7 +9,7 @@
 
 # 相似性学习算法
 
-**相似性学习**是训练度量以计算两个实体之间的相似性的过程。 由于学习了相似性，这也可以称为度量学习。 度量可以是欧几里得或余弦或其他自定义距离函数。 实体可以是任何数据，例如图像，视频，文本或表格。 为了计算度量，需要图像的矢量表示。 此表示可以是 CNN 计算的特征，如[第 3 章](../Text/03.html)，*图像检索*中所述。 为对象分类而学习的 CNN 可以用作计算度量的向量。 为图像分类而获得的特征向量将不是手头任务的最佳表示。 在相似性学习中，我们发现有关 CNN 的信息，这些 CNN 会为相似性学习任务生成经过训练的特征。 这里给出了相似学习的一些应用：
+**相似性学习**是训练度量以计算两个实体之间的相似性的过程。 由于学习了相似性，这也可以称为度量学习。 度量可以是欧几里得或余弦或其他自定义距离函数。 实体可以是任何数据，例如图像，视频，文本或表格。 为了计算度量，需要图像的矢量表示。 此表示可以是 CNN 计算的特征，如第 3 章，*图像检索*中所述。 为对象分类而学习的 CNN 可以用作计算度量的向量。 为图像分类而获得的特征向量将不是手头任务的最佳表示。 在相似性学习中，我们发现有关 CNN 的信息，这些 CNN 会为相似性学习任务生成经过训练的特征。 这里给出了相似学习的一些应用：
 
 *   用于生物识别的人脸验证以比较两个人脸
 *   视觉搜索现实世界中的物体以在线查找类似产品
@@ -240,7 +240,7 @@ Wang 等人提出的 [DeepRank](https://users.eecs.northwestern.edu/~jwa368/pdfs
 
 # 人脸检测
 
-人脸检测类似于对象检测，我们在[第 4 章](../Text/04.html)，*对象检测*中讨论过。 必须从图像中检测出面部的位置。 可以从[这里](http://vis-www.cs.umass.edu/fddb/)下载名为**人脸检测数据集和基准**（ **FDDB** ）的数据集。 。 它具有 2,845 张带有 5,171 张脸的图像。 可以从[这里](http://mmlab.ie.cuhk.edu.hk/projects/WIDERFace/)下载 Yang 等人提出的另一个称为**宽脸**的数据集。 它具有 32,203 张图像和 393,703 张面孔。 这是来自更广泛的面部数据集的图像示例：
+人脸检测类似于对象检测，我们在第 4 章，*对象检测*中讨论过。 必须从图像中检测出面部的位置。 可以从[这里](http://vis-www.cs.umass.edu/fddb/)下载名为**人脸检测数据集和基准**（ **FDDB** ）的数据集。 。 它具有 2,845 张带有 5,171 张脸的图像。 可以从[这里](http://mmlab.ie.cuhk.edu.hk/projects/WIDERFace/)下载 Yang 等人提出的另一个称为**宽脸**的数据集。 它具有 32,203 张图像和 393,703 张面孔。 这是来自更广泛的面部数据集的图像示例：
 
 ![](img/92e946e7-2fb7-468a-aacd-77039c30fbb4.jpg)
 

docs/dl-cv/07.md

@@ -12,7 +12,7 @@
 
 # 了解问题和数据集
 
-自动生成图像标题的过程是一项重要的深度学习任务，因为它结合了语言和视觉这两个世界。 该问题的独特性使其成为计算机视觉中的主要问题之一。 用于图像字幕的深度学习模型应该能够识别图像中存在的对象，并能够以自然语言生成表示对象与动作之间关系的文本。 此问题的数据集很少。 其中最著名的数据集是[第 4 章](../Text/04.html)，*对象检测*中对象检测中涵盖的 COCO 数据集的扩展。
+自动生成图像标题的过程是一项重要的深度学习任务，因为它结合了语言和视觉这两个世界。 该问题的独特性使其成为计算机视觉中的主要问题之一。 用于图像字幕的深度学习模型应该能够识别图像中存在的对象，并能够以自然语言生成表示对象与动作之间关系的文本。 此问题的数据集很少。 其中最著名的数据集是第 4 章，*对象检测*中对象检测中涵盖的 COCO 数据集的扩展。
 
 # 了解用于图像字幕的自然语言处理
 

docs/dl-cv/08.md

@@ -142,7 +142,7 @@
 
 # 内容丢失
 
-由于像素不是一个好的选择，我们将使用各个图层的 CNN 功能，因为它们可以更好地表示内容。 如 [第 3 章](../Text/03.html)，*图像检索*， 所示，初始层具有高频，例如边缘，拐角和纹理。 后面的层代表对象，因此更适合内容。 后者可以比像素更好地将*对象与*对象进行比较。 但是为此，我们需要先使用以下代码导入所需的库：
+由于像素不是一个好的选择，我们将使用各个图层的 CNN 功能，因为它们可以更好地表示内容。 如 第 3 章，*图像检索*， 所示，初始层具有高频，例如边缘，拐角和纹理。 后面的层代表对象，因此更适合内容。 后者可以比像素更好地将*对象与*对象进行比较。 但是为此，我们需要先使用以下代码导入所需的库：
 
 ```py
 import numpy as np
@@ -640,7 +640,7 @@ gan = tf.contrib.gan.gan_model(
   real_images)
 ```
 
-生成器是一个自动编码器。 可以在[第 3 章](../Text/03.html)，*图像检索*中找到该实现。 此后，我们将使用以下代码定义损失：
+生成器是一个自动编码器。 可以在第 3 章，*图像检索*中找到该实现。 此后，我们将使用以下代码定义损失：
 
 ```py
 loss = tf.contrib.gan.gan_loss(

docs/dl-cv/09.md

@@ -85,8 +85,8 @@ frame_no = 0 while True:
 
 视频必须针对几种应用进行分类。 由于视频中包含大量数据，因此还必须考虑训练和推理计算。 所有视频分类方法均受图像分类算法启发。 VGG，Inception 等标准体系结构用于帧级别的特征计算，然后进行进一步处理。 诸如 **CNN** ， **注意** ，先前章节中学习的和 **LSTM** 之类的概念将在此处有用。 直观地，以下方法可用于视频分类：
 
-*   提取帧并使用在[第 2 章](../Text/02.html)，*图像分类*中学习的模型，以帧为基础进行分类。
-*   提取在[第 3 章](../Text/03.html)，*图像检索*中学习的图像特征，并且可以按照[第 7 章](../Text/07.html)，*图像说明中的描述，使用这些特征训练 RNN。* 。
+*   提取帧并使用在第 2 章，*图像分类*中学习的模型，以帧为基础进行分类。
+*   提取在第 3 章，*图像检索*中学习的图像特征，并且可以按照第 7 章，*图像说明中的描述，使用这些特征训练 RNN。* 。
 *   在整个视频上训练 **3D 卷积**网络。 3D 卷积是 2D 卷积的扩展； 我们将在以下各节中详细了解 3D 卷积的工作原理。
 *   使用视频的**光流**可以进一步提高精度。 光流是物体运动的模式，我们将在接下来的部分中详细介绍。
 
@@ -332,7 +332,7 @@ net.compile(loss=tf.keras.losses.categorical_crossentropy,
 
 # 字幕视频
 
-[第 7 章](../Text/07.html)，*图像字幕*说明了几种组合文本和图像的方法。 同样，可以为视频生成字幕，以描述上下文。 让我们看一下可用于字幕视频的数据集列表：
+第 7 章，*图像字幕*说明了几种组合文本和图像的方法。 同样，可以为视频生成字幕，以描述上下文。 让我们看一下可用于字幕视频的数据集列表：
 
 *   **Microsoft Research-视频转文本**（ **MSR-VTT** ）具有 200,000 个视频剪辑和句子对。 [可以从以下网站获取更多详细信息](https://www.microsoft.com/en-us/research/publication/msr-vtt-a-large-video-description-dataset-for-bridging-video-and-language/)。
 *   **MPII 电影描述语料库**（ **MPII-MD** ）[可以从以下网站获取](https://www.mpi-inf.mpg.de/departments/computer-vision-and-multimodal-computing/research/vision-and-language/mpii-movie-description-dataset)。 它有 68,000 个句子和 94 部电影。

docs/dl-cv/10.md

@@ -125,7 +125,7 @@ source activate tensorflow_p27
 
 ![](img/c7b106a4-3f86-44a5-94fb-e8795643e0d2.png)
 
-安装和执行步骤可以遵循[第 1 章](../Text/01.html)，*入门*。
+安装和执行步骤可以遵循第 1 章，*入门*。
 
 # Google Cloud Platform
 
@@ -212,7 +212,7 @@ Jetson TX2 是由 NVIDIA 提供的嵌入式设备，专门用于高效 AI 计算
 
 任何 Android 应用程序都可以使用 TensorFlow，其构建细节可以在[这个页面](https://www.tensorflow.org/mobile/android_build)中找到。 关于此的官方示例可以在[这个页面](https://github.com/tensorflow/tensorflow/tree/master/tensorflow/examples/android)中找到。 假设读者具有 Android 编程经验，则在 Android 设备中实现 Tensorflow 的步骤如下：
 
-1.  使用[第 3 章](../Text/03.html)和*图像检索*中介绍的步骤，将 TensorFlow 模型导出到`.pb`文件。
+1.  使用第 3 章和*图像检索*中介绍的步骤，将 TensorFlow 模型导出到`.pb`文件。
 2.  生成二进制文件`.so`和`.jar`。
 3.  编辑`gradle`文件以启用库加载。
 4.  加载并运行 Android 应用文件