2021-01-06 11:07:06

new/handson-py-dl-web/11.md

@@ -21,7 +21,7 @@
 您需要以下软件来运行本章中使用的代码：
 
 *   Python 3.6+
-*   烧瓶 1.1.12+
+*   Flask 1.1.12+
 
 所有其他安装将在本章中进行。
 
@@ -48,7 +48,7 @@
 *   Web API 服务
 *   在线学习
 *   批量预测
-*   自动 ML
+*   AutoML
 
 让我们详细研究它们中的每一个。
 
@@ -70,7 +70,7 @@
 
 换句话说，批量预测可以理解为 Web API 的批量版本。 但是，API 不提供这些预测。 相反，预测是从数据库中存储和获取的。
 
-# 自动 ML
+# AutoML
 
 进行预测只是将 DL 投入生产的整个过程的一部分。 数据科学家还负责清理和组织数据，创建管道以及进行优化。 Auto ML 是一种无需执行此类重复任务的方法。
 
@@ -212,7 +212,7 @@ model_selection.progressive_val_score(
 
 因此，`creme`凭借清晰的语法和调试功能，可以非常轻松地在生产中创建批量预测和在线学习部署。
 
-现在，我们将讨论另一个流行的工具-Airflow。
+现在，我们将讨论另一个流行的工具 -- Airflow。
 
 # 空气流动
 
@@ -301,18 +301,18 @@ UCI 心脏病数据集包含 303 个样本，每个样本具有 76 个属性。
     *   非心绞痛
     *   无症状的
 *   静息血压
-*   血清胆固醇，mg / dl
-*   空腹血糖> 120 mg / dl
+*   血清胆固醇，mg/dl
+*   空腹血糖 >120 mg/dl
 *   静息心电图结果：
     *   正常
-    *   患有 ST-T 波异常（T 波倒置和/或 ST 升高或降低> 0.05 mV）
+    *   患有 ST-T 波异常（T 波倒置和/或 ST 升高或降低 >0.05 mV）
     *   根据 Estes 的标准显示可能或确定的左心室肥大
 *   达到最大心率
 *   运动诱发的心绞痛
-*   Oldpeak =运动引起的相对于休息的 ST 抑郁
+*   Oldpeak：运动引起的相对于休息的 ST 抑郁
 *   运动高峰 ST 段的斜率
 *   荧光检查显色的主要血管数目（0-3）
-*   Thal：3 =正常； 6 =固定缺陷； 7 =可逆缺陷
+*   Thal：3：正常；6：固定缺陷；7：可逆缺陷
 
 最后会有一列，这是我们将要预测的目标。 这将使当前问题在正常患者和受影响患者之间进行分类。
 

new/handson-py-dl-web/12.md

@@ -45,7 +45,7 @@ NLP 是机器学习和深度学习应用程序中最受欢迎的也是最令人
 
 在英语中，我们通常有八种类型的词性-动词，名词，代词，形容词，副词，介词，连接词和感叹词。
 
-例如，在句子“ Ram 正在读书”中，“ Ram”是名词和主语，“ reading”是单词和动作，而“ book”是名词和宾语。
+例如，在句子`Ram is reading a book.`中，`Ram`是名词和主语，`reading`是单词和动作，而`book`是名词和宾语。
 
 您可以在[这个页面](http://partofspeech.org/)上阅读有关词性的更多信息。 您可以尝试在[这个页面](https://linguakit.com/en/part-of-speech-tagging)上找出自己句子的词性。
 
@@ -81,13 +81,13 @@ NLP 是机器学习和深度学习应用程序中最受欢迎的也是最令人
 2.  拉姆是个好男孩。
 3.  拉姆不是一个女孩。
 
-这些文档中存在的唯一词可以在向量中列出为[“ Ram”，“ is”，“ a”，“ boy”，“ good”，“ not”，“ girl”]。
+这些文档中存在的唯一词可以在向量中列出为`["Ram"，"is"，"a"，"boy"，"good"，"not"，"girl"]`。
 
 因此，每个句子可以按如下方式转换：
 
-1.  [1, 1, 1, 1, 0, 0, 0]
-2.  [1, 1, 1, 1, 1, 0, 0]
-3.  [1, 1, 1, 0, 0, 1, 1]
+1.  `[1, 1, 1, 1, 0, 0, 0]`
+2.  `[1, 1, 1, 1, 1, 0, 0]`
+3.  `[1, 1, 1, 0, 0, 1, 1]`
 
 您将观察到 BoW 往往会丢失有关每个单词出现在句子中的位置或其对句子有什么意义的信息。 因此，BoW 是一种非常基本的特征提取方法，可能不适用于需要上下文感知的多个应用程序。
 
@@ -175,11 +175,11 @@ Dialogflow 与 GCP 紧密集成，因此我们必须首先创建一个 Google
 
 虽然在先前的屏幕截图中，我们已经为您显示了一个带有意图的预配置代理，但是您新创建的代理此时将没有任何自定义意图。 让我们创建它们！
 
-# 步骤 4 –建立意图
+# 步骤 4 – 建立意图
 
 现在，让我们创建两个意图。 一种意图将为用户提供帮助，另一种意图将对用户提供的订单 ID 的状态进行检查。
 
-# 步骤 4.1 –创建 HelpIntent
+# 步骤 4.1 – 创建`HelpIntent`
 
 在此子步骤中，单击左侧菜单中“意图”项目右侧的+按钮。 您将看到一个空白的意向创建表单。
 
@@ -243,7 +243,7 @@ Dialogflow 与 GCP 紧密集成，因此我们必须首先创建一个 Google
 
 ![](img/c98bee73-f7c7-4615-b3dc-d54da04384c7.png)
 
-选择@ sys.number，然后将参数名称输入为`OrderId`。 您的训练短语如下所示：
+选择`@sys.number`，然后将参数名称输入为`OrderId`。 您的训练短语如下所示：
 
 ![](img/76dcff96-1ac6-4b4d-a3f9-465c3f178ff2.png)
 
@@ -287,7 +287,7 @@ Dialogflow 与 GCP 紧密集成，因此我们必须首先创建一个 Google
 
 Firebase 云功能在 Firebase 平台上运行，并按您在创建 Dialogflow 代理期间选择或创建的 GCP 项目的规定计费。 您可以在[这个页面](https://dialogflow.com/docs/how-tos/getting-started-fulfillment)上了解有关云功能的更多信息。
 
-# 步骤 6.1 –将所需的软件包添加到 package.json
+# 步骤 6.1 –将所需的软件包添加到`package.json`
 
 在内联编辑器的`package.json`文件中，我们将`request`和`request-promise-native`包添加到依赖项中，如下所示：
 
@@ -305,7 +305,7 @@ Firebase 云功能在 Firebase 平台上运行，并按您在创建 Dialogflow
 
 这些软件包将在构建代理的过程中自动获取，因此您无需显式执行任何命令来安装它们。
 
-# 步骤 6.2 –向 index.js 添加逻辑
+# 步骤 6.2 –向`index.js`添加逻辑
 
 我们将添加调用订单管理系统 API 所需的代码。 在`dialogflowFirebaseFulfillment`对象定义内添加以下函数：
 
@@ -449,7 +449,7 @@ apiui/
 
 在开始开发模块之前，让我们在下一部分中定义一些项目级设置。
 
-# 第 3 步–设置 settings.py
+# 第 3 步–设置`settings.py`
 
 现在，我们将进行`ordersui/settings.py`文件中所需的一些配置。
 
@@ -529,7 +529,7 @@ urlpatterns = [
 
 在我们创建的路由中，我们提到了两个视图-`indexView`，它不带任何参数； `viewOrder`，它带一个名为`orderId`的参数。 在`apiui`目录中创建一个名为`views.py`的新文件，然后按照以下步骤创建所需的视图。
 
-# 步骤 6.1 –创建 indexView
+# 步骤 6.1 –创建`indexView`
 
 该路线将仅显示放置在订单管理系统上的订单。 我们使用以下代码：
 
@@ -547,7 +547,7 @@ def indexView(request):
 
 我们将在以下部分中创建`viewOrder`视图。
 
-# 步骤 6.2 –创建 viewOrder
+# 步骤 6.2 –创建`viewOrder`
 
 如果我们以`/orderId`的形式将订单 ID 传递到同一`/`路线，则我们应该返回订单的状态。 使用以下代码：
 
@@ -733,7 +733,7 @@ $('#customerChatRoot').click(function(){
 });
 ```
 
-现在，当麦克风开始收听用户输入时，按钮文本将变为 Speak !，提示用户开始讲话。
+现在，当麦克风开始收听用户输入时，按钮文本将变为`Speak!`，提示用户开始讲话。
 
 尝试在您的设置上测试该网站，然后查看如何使其正常工作！
 

new/handson-py-dl-web/13.md

@@ -64,7 +64,7 @@ Google 相册由于在后台使用了深度学习，因此在个人在线画廊
 
 ![](img/9960ba72-9308-4507-bc6f-33b4ea110623.png)
 
-为了使系统根据接收到的音频信号执行音频搜索，系统首先需要处理该信号，这被称为音频信号处理。 然后，系统将处理后的信号与其现有的成千上万首歌曲的数据库进行比较。 在将信号与现有数据库进行比较之前，使用神经网络对其进行特定表示，通常将其称为指纹。 但是，这仍然是一个活跃的研究领域，我强烈建议您阅读[上的文章 https://ai.googleblog.com/2018/09/googles-next-generation-music.html](https://ai.googleblog.com/2018/09/googles-next-generation-music.html) 详细了解这些技术。
+为了使系统根据接收到的音频信号执行音频搜索，系统首先需要处理该信号，这被称为音频信号处理。 然后，系统将处理后的信号与其现有的成千上万首歌曲的数据库进行比较。 在将信号与现有数据库进行比较之前，使用神经网络对其进行特定表示，通常将其称为指纹。 但是，这仍然是一个活跃的研究领域，我强烈建议您阅读[这个页面](https://ai.googleblog.com/2018/09/googles-next-generation-music.html)上的文章，详细了解这些技术。
 
 # 阅读理解