2020-08-06 12:19:40

docs/mastering-tf-1x-zh/ch02.md

@@ -117,7 +117,7 @@ TFSlim 提供了几个模块，可以独立挑选和应用，并与其他 Tensor
 
 TFSlim 的简单工作流程如下：
 
-1.  使用细长层创建模型。
+1.  使用 Slim 层创建模型。
 2.  提供层的输入以实例化模型。
 3.  使用对率和标签来定义损失。
 4.  使用便利函数`get_total_loss()`获得全部损失。
@@ -305,7 +305,7 @@ TFLearn 在`tflearn.layers.estimator`模块中只提供一层：
 | --- | --- |
 | `regression` | 该层实现线性或逻辑回归 |
 
-在创建回归层时，您可以指定优化程序以及损失和度量函数。
+在创建回归层时，您可以指定优化器以及损失和度量函数。
 
 TFLearn 在`tflearn.optimizers`模块中提供以下优化器函数作为类：
 
@@ -436,8 +436,8 @@ PrettyTensor 以名为`apply()`的方法提供了一个非常轻量级和可扩
 2.  定义超参数和参数。
 3.  定义输入和输出。
 4.  定义模型。
-5.  定义评估程序，优化程序和训练器函数。
-6.  创建跑步者对象。
+5.  定义评估器，优化器和训练器函数。
+6.  创建运行器对象。
 7.  在 TensorFlow 会话中，使用`runner.train_model()`方法训练模型。
 8.  在同一会话中，使用`runner.evaluate_model()`方法评估模型。
 
@@ -489,7 +489,7 @@ Accuracy after 10 epochs 0.8899999856948853
 
 Sonnet 是一个用 Python 编写的面向对象的库。它是由 DeepMind 在 2017 年发布的。Sonnet 打算从对象中清晰地分离构建计算图的以下两个方面：
 
-*   对象的配置称为模块
+*   称为模块的对象的配置
 *   对象与计算图的连接
 
 可以使用以下命令在 Python3 中安装 Sonnet：
@@ -521,7 +521,7 @@ pip3 install dm-sonnet
 5.  使用模型为训练和测试集定义`y_hat`占位符。
 
 1.  定义训练和测试集的损失占位符。
-2.  使用训练损失占位符定义优化程序。
+2.  使用训练损失占位符定义优化器。
 3.  在 TensorFlow 会话中执行所需数量的周期的损失函数以优化参数。
 
 笔记本电脑`ch-02_TF_High_Level_Libraries`中提供了 Sonnet MNIST 分类示例的完整代码。 每个类中的`__init__`方法初始化类和相关的超类。`_build`方法在调用类时创建并返回数据集或模型对象。 Sonnet MNIST 示例的输出如下：

docs/mastering-tf-1x-zh/ch10.md

@@ -633,7 +633,7 @@ reg_loss = -0.5*tf.reduce_sum(1 + z_log_var - tf.square(z_mean)
 loss = tf.reduce_mean(rec_loss+reg_loss)
 ```
 
-1.  根据`AdapOptimizer`定义优化程序函数：
+1.  根据`AdapOptimizer`定义优化器函数：
 
 ```py
 optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate)

docs/mastering-tf-1x-zh/ch11.md

@@ -211,7 +211,7 @@ output=[ 0.30000001  0.60000002  0.90000004  1.20000005]
 
 在 Keras 中，保存和恢复模型非常简单。 Keras 提供三种选择：
 
-*   使用其网络体系结构，权重（参数），训练配置和优化程序状态保存完整模型。
+*   使用其网络体系结构，权重（参数），训练配置和优化器状态保存完整模型。
 *   仅保存架构。
 *   只保存权重。
 

docs/mastering-tf-1x-zh/ch12.md

@@ -1412,7 +1412,7 @@ init_fn = slim.assign_from_checkpoint_fn(
     variables_to_restore)
 ```
 
-1.  定义损失，优化程序和训练操作：
+1.  定义损失，优化器和训练操作：
 
 ```py
 tf.losses.softmax_cross_entropy(onehot_labels=y_p, logits=logits)

docs/mastering-tf-1x-zh/ch15.md

@@ -380,7 +380,7 @@ worker=2, final accuracy = 0.8894000053405762
 
 对于同步更新，需要对代码进行以下修改：
 
-1.  优化器需要包装在`SyncReplicaOptimizer`中。因此，在定义优化程序后，添加以下代码：
+1.  优化器需要包装在`SyncReplicaOptimizer`中。因此，在定义优化器后，添加以下代码：
 
 ```py
 # SYNC: next line added for making it sync update