2020-08-05 11:13:49

docs/mastering-tf-1x-zh/ch07.md

@@ -8,15 +8,15 @@
     *   描述和下载数据集
     *   可视化数据集
 *   在 TensorFlow 中预处理 RNN 的数据集
-*   TensorFlow 中的 RNN 用于时间序列数据：
-    *   TensorFlow 中的 SimpleRNN
+*   TensorFlow 中用于时间序列数据的 RNN：
+    *   TensorFlow 中的`SimpleRNN`
     *   TensorFlow 中的 LSTM
     *   GRU 在 TensorFlow 中
 *   在 Keras 中预处理 RNN 的数据集
-*   Keras 的 RNN 用于时间序列数据：
-    *   Keras 的 SimpleRNN
+*   Keras 中用于时间序列数据的 RNN：
+    *   Keras 的`SimpleRNN`
     *   Keras 的 LSTM
-    *   格拉斯在 Keras
+    *   Keras 的 GRU
 
 让我们从了解样本数据集开始。
 
@@ -30,7 +30,7 @@
 
 # 加载 airpass 数据集
 
-我们将数据集保存为数据集根目录（〜/ datasets）中`ts-data`文件夹中的 CSV 文件，并使用以下命令将数据加载到 pandas 数据框中：
+我们将数据集保存为数据集根目录（`~/datasets`）中`ts-data`文件夹中的 CSV 文件，并使用以下命令将数据加载到 pandas 数据框中：
 
 ```py
 filepath = os.path.join(datasetslib.datasets_root,
@@ -79,7 +79,7 @@ normalized_dataset = scaler.fit_transform(dataset)
 train,test=tsu.train_test_split(normalized_dataset,train_size=0.67)
 ```
 
-然后我们将训练和测试数据集转换为有监督的机器学习集。让我们试着理解监督学习集的含义。假设我们有一系列数据：1,2,3,4,5。我们想要了解生成数据集的概率分布。为了做到这一点，我们可以假设时间步长`t`的值是从时间步长`t-1`到`tk`的值的结果，其中`k`是窗口大小。为简化起见，假设窗口大小为 1.因此，时间步长`t`的值（称为输入特征）是时间步长值`t-1`的结果，被称为目标。让我们重复一遍所有时间步骤，我们得到下表：
+然后我们将训练和测试数据集转换为有监督的机器学习集。让我们试着理解监督学习集的含义。假设我们有一系列数据：`1,2,3,4,5`。我们想要了解生成数据集的概率分布。为了做到这一点，我们可以假设时间步长`t`的值是从时间步长`t-1`到`tk`的值的结果，其中`k`是窗口大小。为简化起见，假设窗口大小为 1。因此，时间步长`t`的值（称为输入特征）是时间步长值`t-1`的结果，被称为目标。让我们重复一遍所有时间步骤，我们得到下表：
 
 | 输入值或特征 | 输出值或目标 |
 | --- | --- |
@@ -123,7 +123,7 @@ X_train, Y_train, X_test, Y_test = tsu.mvts_to_xy(train,
                                   test,n_x=n_x,n_y=n_y)
 ```
 
-现在数据已经过预处理并可以输入到我们的模型中，让我们使用 TensorFlow 准备一个 SimpleRNN 模型。
+现在数据已经过预处理并可以输入到我们的模型中，让我们使用 TensorFlow 准备一个`SimpleRNN`模型。
 
 # TensorFlow 中的简单 RNN
 
@@ -282,7 +282,7 @@ test rmse = 0.09375710758446143
 
 由于爆炸和消失梯度的问题，简单的 RNN 架构并不总是有效，因此使用了改进的 RNN 架构，例如 LSTM 网络。 TensorFlow 提供 API 来创建 LSTM RNN 架构。
 
-在上一节中展示的示例中，要将 Simple RNN 更改为 LSTM 网络，我们所要做的就是更改单元类型，如下所示：
+在上一节中展示的示例中，要将简单 RNN 更改为 LSTM 网络，我们所要做的就是更改单元类型，如下所示：
 
 ```py
 cell = tf.nn.rnn_cell.LSTMCell(state_size)
@@ -332,7 +332,7 @@ test rmse = 0.11961434334066987
 
 # 使用 Keras RNN 模型预处理数据集
 
-与使用 lower = level TensorFlow 类和方法构建相比，在 Keras 中构建 RNN 网络要简单得多。对于 Keras，我们预先处理数据，如前面部分所述，以获得受监督的机器学习时间序列数据集：`X_train, Y_train, X_test, Y_test`。
+与使用较低级别 TensorFlow 类和方法构建相比，在 Keras 中构建 RNN 网络要简单得多。对于 Keras，我们预先处理数据，如前面部分所述，以获得受监督的机器学习时间序列数据集：`X_train, Y_train, X_test, Y_test`。
 
 从这里开始，预处理有所不同。对于 Keras，输入必须是`(samples, time steps, features)`形状。当我们将数据转换为监督机器学习格式时，在重塑数据时，我们可以将时间步长设置为 1，从而将所有输入时间步长作为特征，或者我们可以设置时间步长为实际的时间步数，从而为每个时间步长提供特征集。换句话说，我们之前获得的`X_train`和`X_test`数据集可以重新整形为以下方法之一：
 
@@ -358,7 +358,7 @@ X_test = X_test.reshape(X_test.shape[0], X_train.shape[1], 1)
 
 # 使用 Keras 的简单 RNN
 
-通过添加具有内部神经元数量和输入张量形状的 SimpleRNN 层，可以在 Keras 中轻松构建 RNN 模型，不包括样本维数。以下代码创建，编译和拟合 SimpleRNN：
+通过添加具有内部神经元数量和输入张量形状的`SimpleRNN`层，可以在 Keras 中轻松构建 RNN 模型，不包括样本维数。以下代码创建，编译和拟合`SimpleRNN`：
 
 ```py
 # create and fit the SimpleRNN model
@@ -461,7 +461,7 @@ Test Score: 54.13 RMSE
 
 # 使用 Keras 的 LSTM
 
-创建 LSTM 模型只需添加 LSTM 层而不是 SimpleRNN 层，如下所示：
+创建 LSTM 模型只需添加 LSTM 层而不是`SimpleRNN`层，如下所示：
 
 ```py
 model.add(LSTM(units=4, input_shape=(X_train.shape[1], X_train.shape[2])))
@@ -496,7 +496,7 @@ Test Score: 84.68 RMSE
 
 # 使用 Keras 的 GRU
 
-使用 TensorFlow 和 Keras 的一个优点是它们可以轻松创建模型。与 LSTM 一样，创建 GRU 模型只需添加 GRU 层而不是 LSTM 或 SimpleRNN 层，如下所示：
+使用 TensorFlow 和 Keras 的一个优点是它们可以轻松创建模型。与 LSTM 一样，创建 GRU 模型只需添加 GRU 层而不是 LSTM 或`SimpleRNN`层，如下所示：
 
 ```py
 model.add(GRU(units=4, input_shape=(X_train.shape[1], X_train.shape[2])))
@@ -529,7 +529,7 @@ Test Score: 92.75 RMSE
 
 # 总结
 
-时间序列数据是基于序列的数据，因此 RNN 模型是从时间序列数据中学习的相关架构。在本章中，您学习了如何使用 TensorFlow（一个低级库）和 Keras（一个高级库）创建不同类型的 RNN 模型。我们只介绍了 SimpleRNN，LSTM 和 GRU，但您应该探索可以使用 TensorFlow 和 Keras 创建的许多其他 RNN 变体。
+时间序列数据是基于序列的数据，因此 RNN 模型是从时间序列数据中学习的相关架构。在本章中，您学习了如何使用 TensorFlow（一个低级库）和 Keras（一个高级库）创建不同类型的 RNN 模型。我们只介绍了`SimpleRNN`，LSTM 和 GRU，但您应该探索可以使用 TensorFlow 和 Keras 创建的许多其他 RNN 变体。
 
 在下一章中，我们将使用当前章节和前几章中构建的基础为各种**自然语言处理**（**NLP**）任务创建文本数据的 RNN 模型。