2021-01-20 20:46:05

new/pt-tut-17/02.md

@@ -20,7 +20,7 @@ PyTorch 是基于 Python 的科学计算软件包，可实现两个广泛的目
 
 注意
 
-确保已安装[割炬](https://github.com/pytorch/pytorch)和[割炬](https://github.com/pytorch/vision)软件包。
+确保已安装[`torch`](https://github.com/pytorch/pytorch)和[`torchvision`](https://github.com/pytorch/vision)软件包。
 
 ![../_img/tensor_illustration_flat.png](img/0c7a402331744a44f5e17575b1607904.png)
 
@@ -28,7 +28,7 @@ PyTorch 是基于 Python 的科学计算软件包，可实现两个广泛的目
 
 ![../_img/autodiff.png](img/0a7a97c39d6dfc0e08d2701eb7a49231.png)
 
-[torch.Autograd 的简要介绍](blitz/autograd_tutorial.html#sphx-glr-beginner-blitz-autograd-tutorial-py)
+[`torch.autograd`的简要介绍](blitz/autograd_tutorial.html#sphx-glr-beginner-blitz-autograd-tutorial-py)
 
 ![../_img/mnist1.png](img/be60e8e1f4baa0de87cf9d37c5325525.png)
 

new/pt-tut-17/03.md

@@ -155,7 +155,7 @@ tensor([[1., 0., 1., 1.],
 
 ```
 
-**连接张量**可以使用`torch.cat`沿给定维度连接一系列张量。 另请参见[火炬堆栈](https://pytorch.org/docs/stable/generated/torch.stack.html)，这是另一个与`torch.cat`稍有不同的张量连接操作。
+**连接张量**可以使用`torch.cat`沿给定维度连接一系列张量。 另请参见[`torch.stack`](https://pytorch.org/docs/stable/generated/torch.stack.html)，这是另一个与`torch.cat`稍有不同的张量连接操作。
 
 ```py
 t1 = torch.cat([tensor, tensor, tensor], dim=1)

new/pt-tut-17/05.md

@@ -281,7 +281,7 @@ optimizer.step()    # Does the update
 
 注意
 
-观察如何使用`optimizer.zero_grad()`将梯度缓冲区手动设置为零。 这是因为如 [Backprop](#backprop) 部分中所述累积了梯度。
+观察如何使用`optimizer.zero_grad()`将梯度缓冲区手动设置为零。 这是因为如[反向传播](#backprop)部分中所述累积了梯度。
 
 **脚本的总运行时间**：（0 分钟 3.778 秒）
 

new/pt-tut-17/06.md

@@ -218,7 +218,7 @@ torch.save(net.state_dict(), PATH)
 
 ```
 
-有关保存 PyTorch 模型的更多详细信息，请参见此处的[。](https://pytorch.org/docs/stable/notes/serialization.html)
+有关保存 PyTorch 模型的更多详细信息，请参见[此处](https://pytorch.org/docs/stable/notes/serialization.html)。
 
 ### 5.根据测试数据测试网络
 
@@ -404,7 +404,7 @@ inputs, labels = data[0].to(device), data[1].to(device)
 ## 我下一步要去哪里？
 
 *   [训练神经网络玩视频游戏](../../intermediate/reinforcement_q_learning.html)
-*   [在 imagenet](https://github.com/pytorch/examples/tree/master/imagenet) 上训练最先进的 ResNet 网络
+*   [在 imagenet 上训练最先进的 ResNet 网络](https://github.com/pytorch/examples/tree/master/imagenet) 
 *   [使用生成对抗网络训练人脸生成器](https://github.com/pytorch/examples/tree/master/dcgan)
 *   [使用递归 LSTM 网络训练单词级语言模型](https://github.com/pytorch/examples/tree/master/word_language_model)
 *   [更多示例](https://github.com/pytorch/examples)

new/pt-tut-17/07.md

@@ -2,7 +2,7 @@
 
 > 原文：<https://pytorch.org/tutorials/beginner/pytorch_with_examples.html>
 
-**作者**：[贾斯汀·约翰逊](https://github.com/jcjohnson/pytorch-examples)
+**作者**：[Justin Johnson](https://github.com/jcjohnson/pytorch-examples)
 
 本教程通过独立的示例介绍 [PyTorch](https://github.com/pytorch/pytorch) 的基本概念。
 
@@ -15,11 +15,11 @@ PyTorch 的核心是提供两个主要功能：
 
 注意
 
-您可以在本页的[端浏览各个示例。](#examples-download)
+您可以在[本页](#examples-download)浏览各个示例。
 
-## [张量](#id12)
+## 张量
 
-### [预热：numpy](#id13) 
+### 预热：numpy
 
 在介绍 PyTorch 之前，我们将首先使用 numpy 实现网络。
 
@@ -68,7 +68,7 @@ print(f'Result: y = {a} + {b} x + {c} x^2 + {d} x^3')
 
 ```
 
-### [PyTorch：张量](#id14)
+### PyTorch：张量
 
 Numpy 是一个很棒的框架，但是它不能利用 GPU 来加速其数值计算。 对于现代深度神经网络，GPU 通常会提供 [50 倍或更高](https://github.com/jcjohnson/cnn-benchmarks)的加速，因此遗憾的是，numpy 不足以实现现代深度学习。
 
@@ -125,13 +125,13 @@ print(f'Result: y = {a.item()} + {b.item()} x + {c.item()} x^2 + {d.item()} x^3'
 
 ```
 
-## [Autograd](#id15) 
+## Autograd
 
-### [PyTorch：张量和 autograd](#id16) 
+### PyTorch：张量和 Autograd
 
 在上述示例中，我们必须手动实现神经网络的前向和后向传递。 对于小型的两层网络，手动实施反向传递并不是什么大问题，但是对于大型的复杂网络来说，可以很快变得非常麻烦。
 
-幸运的是，我们可以使用[自动微分](https://en.wikipedia.org/wiki/Automatic_differentiation)来自动计算神经网络中的反向传递。 PyTorch 中的 **autograd** 软件包正是提供了此功能。 使用 Autograd 时，网络的正向传播将定义**计算图**； 图中的节点为张量，边为从输入张量产生输出张量的函数。 然后通过该图进行反向传播，可以轻松计算梯度。
+幸运的是，我们可以使用[自动微分](https://en.wikipedia.org/wiki/Automatic_differentiation)来自动计算神经网络中的反向传递。 PyTorch 中的 **Autograd** 软件包正是提供了此功能。 使用 Autograd 时，网络的正向传播将定义**计算图**； 图中的节点为张量，边为从输入张量产生输出张量的函数。 然后通过该图进行反向传播，可以轻松计算梯度。
 
 这听起来很复杂，在实践中非常简单。 每个张量代表计算图中的一个节点。 如果`x`是具有`x.requires_grad=True`的张量，则`x.grad`是另一个张量，其保持`x`相对于某个标量值的梯度。
 
@@ -198,7 +198,7 @@ print(f'Result: y = {a.item()} + {b.item()} x + {c.item()} x^2 + {d.item()} x^3'
 
 ```
 
-### [PyTorch：定义新的 Autograd 函数](#id17)
+### PyTorch：定义新的 Autograd 函数
 
 在幕后，每个原始的 Autograd 运算符实际上都是在张量上运行的两个函数。 **正向**函数从输入张量计算输出张量。 **反向**函数接收相对于某个标量值的输出张量的梯度，并计算相对于相同标量值的输入张量的梯度。
 
@@ -293,9 +293,9 @@ print(f'Result: y = {a.item()} + {b.item()} * P3({c.item()} + {d.item()} x)')
 
 ```
 
-## [nn 模块](#id18)
+## `nn`模块
 
-### [PyTorch：nn](#id19) 
+### PyTorch：`nn`
 
 计算图和 Autograd 是定义复杂运算符并自动采用导数的非常强大的范例。 但是对于大型神经网络，原始的 Autograd 可能会太低级。
 
@@ -380,7 +380,7 @@ print(f'Result: y = {linear_layer.bias.item()} + {linear_layer.weight[:, 0].item
 
 ```
 
-### [PyTorch：优化](#id20)
+### PyTorch：`optim`
 
 到目前为止，我们已经通过使用`torch.no_grad()`手动更改持有可学习参数的张量来更新模型的权重。 对于像随机梯度下降这样的简单优化算法来说，这并不是一个巨大的负担，但是在实践中，我们经常使用更复杂的优化器（例如 AdaGrad，RMSProp，Adam 等）来训练神经网络。
 
@@ -443,7 +443,7 @@ print(f'Result: y = {linear_layer.bias.item()} + {linear_layer.weight[:, 0].item
 
 ```
 
-### [PyTorch：自定义 nn 模块](#id21)
+### PyTorch：自定义`nn`模块
 
 有时，您将需要指定比一系列现有模块更复杂的模型。 对于这些情况，您可以通过子类化`nn.Module`并定义一个`forward`来定义自己的模块，该模块使用其他模块或在 Tensors 上的其他自动转换操作来接收输入 Tensors 并生成输出 Tensors。
 
@@ -510,7 +510,7 @@ print(f'Result: {model.string()}')
 
 ```
 
-### [PyTorch：控制流+权重共享](#id22)
+### PyTorch：控制流 + 权重共享
 
 作为动态图和权重共享的示例，我们实现了一个非常奇怪的模型：一个三阶多项式，在每个前向传递中选择 3 到 5 之间的一个随机数，并使用该阶数，多次重复使用相同的权重进行计算 第四和第五阶。
 
@@ -588,44 +588,44 @@ print(f'Result: {model.string()}')
 
 ```
 
-## [示例](#id23)
+## 示例
 
 您可以在此处浏览以上示例。
 
-### [张量](#id24)
+### 张量
 
 ![../_img/sphx_glr_polynomial_numpy_thumb.png](img/ea0bddb69dfbd67215b823007544ab8f.png)
 
-[热身：numpy](examples_tensor/polynomial_numpy.html#sphx-glr-beginner-examples-tensor-polynomial-numpy-py)
+[热身：NumPy](examples_tensor/polynomial_numpy.html#sphx-glr-beginner-examples-tensor-polynomial-numpy-py)
 
 ![../_img/sphx_glr_polynomial_tensor_thumb.png](img/04ee335faf821b337dba0c4d7ccb0b67.png)
 
 [PyTorch：张量](examples_tensor/polynomial_tensor.html#sphx-glr-beginner-examples-tensor-polynomial-tensor-py)
 
-### [Autograd](#id25) 
+### Autograd
 
 ![../_img/sphx_glr_polynomial_autograd_thumb.png](img/ffad28c33f8a48d06521421f1aa441ed.png)
 
-[PyTorch：张量和自定等级](examples_autograd/polynomial_autograd.html#sphx-glr-beginner-examples-autograd-polynomial-autograd-py)
+[PyTorch：张量和 Autograd](examples_autograd/polynomial_autograd.html#sphx-glr-beginner-examples-autograd-polynomial-autograd-py)
 
 ![../_img/sphx_glr_polynomial_custom_function_thumb.png](img/a5c5d931ed12e34bf68476f4f157b780.png)
 
 [PyTorch：定义新的 Autograd 函数](examples_autograd/polynomial_custom_function.html#sphx-glr-beginner-examples-autograd-polynomial-custom-function-py)
 
-### [nn 模块](#id26)
+### `nn`模块
 
 ![../_img/sphx_glr_polynomial_nn_thumb.png](img/335fb81e535f98bfda7cbdb3e50d8832.png)
 
-[PyTorch：nn](examples_nn/polynomial_nn.html#sphx-glr-beginner-examples-nn-polynomial-nn-py)
+[PyTorch：`nn`](examples_nn/polynomial_nn.html#sphx-glr-beginner-examples-nn-polynomial-nn-py)
 
 ![../_img/sphx_glr_polynomial_optim_thumb.png](img/87aa5017f5f0ba9a29d66e74ac6b3d1a.png)
 
-[PyTorch：最佳](examples_nn/polynomial_optim.html#sphx-glr-beginner-examples-nn-polynomial-optim-py)
+[PyTorch：`optim`](examples_nn/polynomial_optim.html#sphx-glr-beginner-examples-nn-polynomial-optim-py)
 
 ![../_img/sphx_glr_polynomial_module_thumb.png](img/b3f0b96ed8ba751fee4a5fc7ca878eb1.png)
 
-[PyTorch：自定义 nn 模块](examples_nn/polynomial_module.html#sphx-glr-beginner-examples-nn-polynomial-module-py)
+[PyTorch：自定义`nn`模块](examples_nn/polynomial_module.html#sphx-glr-beginner-examples-nn-polynomial-module-py)
 
 ![../_img/sphx_glr_dynamic_net_thumb.png](img/bf0b252ce2d39ba6da26c16bee984d39.png)
 
-[PyTorch：控制流+权重共享](examples_nn/dynamic_net.html#sphx-glr-beginner-examples-nn-dynamic-net-py)
\ No newline at end of file
+[PyTorch：控制流 + 权重共享](examples_nn/dynamic_net.html#sphx-glr-beginner-examples-nn-dynamic-net-py)
\ No newline at end of file

new/pt-tut-17/15.md

-# PyTorch：控制流+权重共享
+# PyTorch：控制流 + 权重共享
 
 > 原文：<https://pytorch.org/tutorials/beginner/examples_nn/dynamic_net.html#sphx-glr-beginner-examples-nn-dynamic-net-py>