2020-09-11 16:41:46

docs/get-start-tf/ch00.md

@@ -28,7 +28,7 @@ TensorFlow 是一个开源软件库，用于实现机器学习和深度学习系
 
 第 3 章，“机器学习入门”，介绍了一些机器学习模型。 我们开始实现线性回归算法，该算法与数据之间的建模关系有关。 本章的主要重点是解决机器学习中的两个基本问题。 分类，即如何将每个新输入分配给可能的给定类别之一； 数据聚类，这是将一组对象进行分组的任务，以使同一组中的对象比其他组中的对象更相似。
 
-第 4 章，“神经网络介绍”提供了神经网络的快速详细介绍。 这些是代表元件之间的互连的数学模型，即人工神经元。 它们是在某种程度上模仿活神经元特性的数学结构。 神经网络为深度学习算法的架构奠定了基础。 然后实现了两种基本类型的神经网络：用于分类问题的单层感知器和多层感知器。
+第 4 章，“神经网络介绍”提供了神经网络的快速详细介绍。 这些是代表元件之间的互连的数学模型，即人工神经元。 它们是在某种程度上模仿活神经元特性的数学结构。 神经网络为深度学习算法的架构奠定了基础。 然后实现了两种基本类型的神经网络：用于分类问题的单层感知机和多层感知机。
 
 第 5 章，“深度学习”概述了深度学习算法。 直到最近几年，深度学习才收集了几年前难以想象的大量结果。 我们将展示如何实现两种基本的深度学习架构，即卷积神经网络（CNN）和递归神经网络（RNN），分别用于图像识别和语音翻译问题。
 

docs/get-start-tf/ch03.md

@@ -5,7 +5,7 @@
 *   线性回归
 *   MNIST 数据集
 *   分类器
-*   最近邻居算法
+*   最近邻算法
 *   数据聚类
 *   k-均值算法
 
@@ -123,8 +123,8 @@ cost_function = tf.reduce_mean(tf.square(y - y_point))
 
 为了使`cost_function`最小化，我们使用*梯度下降*的优化算法。 给定几个变量的数学函数，梯度下降允许找到该函数的局部最小值。 该技术如下：
 
-*   **在函数域的任意第一点评估**，函数本身及其梯度。 梯度表示函数趋向于最小的方向。
-*   **在渐变指示的方向上选择**第二点。 如果此第二点的函数的值小于在第一点计算的值，则下降可以继续。
+*   **在函数域的任意第一个点评估函数本身及其梯度**。 梯度表示函数趋向于最小的方向。
+*   **在渐变指示的方向上选择第二个点**。 如果此第二点的函数的值小于在第一点计算的值，则下降可以继续。
 
 您可以参考下图来直观地了解算法：
 
@@ -352,7 +352,7 @@ MNIST 的数字八
 3.  在训练集上训练算法，并通过验证设置任何控制参数。
 4.  通过应用一组新实例（测试集）评估分类器的准确性和性能。
 
-## 最近邻居算法
+## 最近邻算法
 
 **K 最近邻**（**KNN**）是用于分类或回归的监督学习算法。 它是一个系统，根据其与内存中存储的对象之间的距离来分配测试样品的类别。
 
@@ -360,7 +360,7 @@ MNIST 的数字八
 
 ![The nearest neighbor algorithm](img/B05474_03_09.jpg)
 
-`n`是空间的尺寸。 这种分类方法的优点是能够对类别*无法线性分离*的对象进行分类。 考虑到训练数据*的*小扰动*不会显着影响*的结果，因此这是一个稳定的分类器。 但是，最明显的缺点是它不能提供真正的数学模型。 相反，对于每个新分类，应通过将新数据添加到所有初始实例并针对所选 K 值重复计算过程来执行。
+`n`是空间的尺寸。 这种分类方法的优点是能够对类别*无法线性分离*的对象进行分类。 考虑到训练数据的*小扰动*不会显着影响结果，因此这是一个稳定的分类器。 但是，最明显的缺点是它不能提供真正的数学模型。 相反，对于每个新分类，应通过将新数据添加到所有初始实例并针对所选 K 值重复计算过程来执行。
 
 此外，它需要相当大量的数据才能进行实际的预测，并且对分析数据的噪声敏感。
 
@@ -434,7 +434,7 @@ tf.reduce_sum(x, [0, 1]) ==> 6
 
 ```
 
-最后，为了最小化距离函数，我们使用`arg_min`，它返回距离最小（最近邻居）的索引：
+最后，为了最小化距离函数，我们使用`arg_min`，它返回距离最小（最近邻）的索引：
 
 ```py
 pred = tf.arg_min(distance, 0)
@@ -584,7 +584,7 @@ k-means 是最常见和最简单的*聚类算法*之一，它可以根据对象
 4.  重新计算每个群集的质心。
 5.  直到质心不变。
 
-k 均值的流行来自其*收敛速度*和其*易于实现。* 就解决方案的质量而言，该算法不能保证实现全局最优。 最终解决方案*的质量在很大程度上取决于*集群的*初始集*，并且在实践中可能会获得更差的全局最优解。 由于该算法非常快，因此您可以多次应用它，并提供解决方案，您可以从中选择最满意的一种。 该算法的另一个缺点是，它要求您选择要查找的簇数（k）。
+k 均值的流行来自其*收敛速度*和其*易于实现*。 就解决方案的质量而言，该算法不能保证实现全局最优。 最终解决方案的质量在很大程度上取决于集群的*初始集*，并且在实践中可能会获得更差的全局最优解。 由于该算法非常快，因此您可以多次应用它，并提供解决方案，您可以从中选择最满意的一种。 该算法的另一个缺点是，它要求您选择要查找的簇数（`k`）。
 
 如果数据不是自然分区的，您将最终得到奇怪的结果。 此外，该算法仅在数据中存在可识别的球形簇时才有效。
 
@@ -900,7 +900,7 @@ plt.show()
 
 # 摘要
 
-在本章中，我们开始探索 TensorFlow 在机器学习中一些典型问题的潜力。 使用*线性回归*算法，解释了*成本函数*和使用*梯度下降*进行优化的重要概念。 然后，我们描述了手写数字的数据集 MNIST。 我们还使用*最近邻居*算法实现了多类分类器，该分类器属于机器学习*监督学习*类别。 然后，本章以实现数据聚类问题的 k-means 算法为例，以*无监督学习*为例。
+在本章中，我们开始探索 TensorFlow 在机器学习中一些典型问题的潜力。 使用*线性回归*算法，解释了*成本函数*和使用*梯度下降*进行优化的重要概念。 然后，我们描述了手写数字的数据集 MNIST。 我们还使用*最近邻*算法实现了多类分类器，该分类器属于机器学习*监督学习*类别。 然后，本章以实现数据聚类问题的 k-means 算法为例，以*无监督学习*为例。
 
 在下一章中，我们将介绍神经网络。 这些是代表定义为*人工神经元*的元素之间相互联系的数学模型，即模仿活神经元特性的数学构造。
 

docs/get-start-tf/ch04.md

@@ -3,11 +3,11 @@
 在本章中，我们将介绍以下主题：
 
 *   什么是神经网络？
-*   单层感知器
+*   单层感知机
 *   逻辑回归
-*   多层感知器
-*   多层感知器分类
-*   多层感知器功能逼近
+*   多层感知机
+*   多层感知机分类
+*   多层感知机功能逼近
 
 # 什么是人工神经网络？
 
@@ -21,17 +21,17 @@ ANN 原理图
 
 ## 神经网络架构
 
-连接节点的*方式，*总层数*，即输入和输出之间的节点级别以及每层神经元的数量-所有这些都定义了 *神经网络的架构*。 例如，在**多层网络**中（我们将在本章的第二部分中介绍这些网络），可以识别层的人工神经元，使得：*
+连接节点的方式，*总层数*，即输入和输出之间的节点级别，以及每层神经元的数量-所有这些都定义了*神经网络的架构*。 例如，在**多层网络**中（我们将在本章的第二部分中介绍这些网络），可以识别层的人工神经元，使得：
 
 *   每个神经元都与下一层的所有神经元相连
 *   属于同一层的神经元之间没有连接
 *   层数和每层神经元的数量取决于要解决的问题
 
-现在，我们开始探索神经网络模型，介绍最简单的神经网络模型：单层感知器或所谓的罗森布拉特感知器。
+现在，我们开始探索神经网络模型，介绍最简单的神经网络模型：单层感知机或所谓的罗森布拉特感知机。
 
-# 单层感知器
+# 单层感知机
 
-单层感知器是第一个神经网络模型，由 Frank Rosenblatt 于 1958 年提出。 在此模型中，神经元局部记忆的内容由权重向量`W = (w1, w2,......, wn)`组成。 该计算是在计算输入向量`X =(x1, x2,......, xn)`的总和之后执行的，每个输入向量均与权重向量的相应元素相乘； 那么输出中提供的值（即加权总和）将是激活函数的输入。 如果结果大于某个阈值，则此函数返回`1`，否则返回`-1`。 在下图中，激活功能是所谓的`sign`功能：
+单层感知机是第一个神经网络模型，由 Frank Rosenblatt 于 1958 年提出。 在此模型中，神经元局部记忆的内容由权重向量`W = (w1, w2,......, wn)`组成。 该计算是在计算输入向量`X =(x1, x2,......, xn)`的总和之后执行的，每个输入向量均与权重向量的相应元素相乘； 那么输出中提供的值（即加权总和）将是激活函数的输入。 如果结果大于某个阈值，则此函数返回`1`，否则返回`-1`。 在下图中，激活功能是所谓的`sign`功能：
 
 ```py
  +1        x > 0
@@ -40,23 +40,23 @@ sign(x)=
 
 ```
 
-可以使用其他激活函数，最好是非线性激活函数（例如`sigmoid`函数，我们将在下一部分中看到）。 网络的学习过程是迭代的：通过使用称为训练集的选定集，可以为每个学习周期（称为时期）稍微修改突触权重。 在每个循环中，必须修改权重以最小化成本函数，该成本函数特定于所考虑的问题。 最后，当感知器已在训练集上进行训练后，将在其他输入（测试集）上对其进行测试，以验证其概括能力。
+可以使用其他激活函数，最好是非线性激活函数（例如`sigmoid`函数，我们将在下一部分中看到）。 网络的学习过程是迭代的：通过使用称为训练集的选定集，可以为每个学习周期（称为时期）稍微修改突触权重。 在每个循环中，必须修改权重以最小化成本函数，该成本函数特定于所考虑的问题。 最后，当感知机已在训练集上进行训练后，将在其他输入（测试集）上对其进行测试，以验证其概括能力。
 
 ![Single Layer Perceptron](img/B05474_04_02.jpg)
 
-Rosemblatt 的感知器架构
+Rosemblatt 的感知机架构
 
 现在让我们看看如何使用 TensorFlow 对图像分类问题实现单层神经网络。
 
 # 逻辑回归
 
-该算法与我们在[第 3 章](../Text/ch03.html "Chapter 3\. Starting with Machine Learning")和*从机器学习*开始看到的规范线性回归无关，但是它是允许我们解决监督分类问题的算法。 实际上，为了估计因变量，现在我们利用所谓的逻辑函数或 S 形。 正是由于这个功能，我们将此算法称为逻辑回归。 乙状结肠功能具有以下模式：
+该算法与我们在第 3 章“机器学习入门”开始看到的规范线性回归无关，但是它是允许我们解决监督分类问题的算法。 实际上，为了估计因变量，现在我们利用所谓的逻辑函数或 S 形。 正是由于这个功能，我们将此算法称为逻辑回归。 乙状结肠功能具有以下模式：
 
 ![The logistic regression](img/B05474_04_03.jpg)
 
 乙状结肠功能
 
-如我们所见，因变量的取值严格在`0`和`1`之间，这正是为我们服务的内容。 对于*逻辑回归*，我们希望我们的函数告诉我们属于我们班级某个特定元素的*概率*是多少。 我们再次记得，通过神经网络对*监督的*学习被配置为权重优化的*迭代过程； 然后根据训练集的网络性能对它们进行修改。 实际上，其目标是使*损失函数*最小化，该函数表明网络行为偏离所需行为的程度。 然后，在*测试集*上验证网络的性能，该测试集由除受过训练的图像以外的其他图像组成。*
+如我们所见，因变量的取值严格在`0`和`1`之间，这正是为我们服务的内容。 对于*逻辑回归*，我们希望我们的函数告诉我们属于我们班级某个特定元素的*概率*是多少。 我们再次记得，通过神经网络对*监督*学习被配置为权重优化的*迭代过程*； 然后根据训练集的网络性能对它们进行修改。 实际上，其目标是使*损失函数*最小化，该函数表明网络行为偏离所需行为的程度。 然后，在*测试集*上验证网络的性能，该测试集由除受过训练的图像以外的其他图像组成。
 
 我们将要实施的培训的基本步骤如下：
 
@@ -64,7 +64,7 @@ Rosemblatt 的感知器架构
 *   对于训练集的每个元素，都会计算*误差*，即期望输出与实际输出之间的差。 此错误用于调整权重。
 *   重复该过程，以随机顺序将训练集的所有示例重新提交给网络，直到整个训练集上的错误不小于某个阈值，或者直到达到最大迭代次数为止。
 
-现在让我们详细了解如何使用 TensorFlow 实现逻辑回归。 我们要解决的问题是对来自 MNIST 数据集的图像进行分类，如[第 3 章](../Text/ch03.html "Chapter 3\. Starting with Machine Learning")，*从机器学习开始的说明*是手写数字的数据库。
+现在让我们详细了解如何使用 TensorFlow 实现逻辑回归。 我们要解决的问题是对来自 MNIST 数据集的图像进行分类，如第 3 章，“机器学习入门”中的手写数字的数据库。
 
 ## TensorFlow 实施
 
@@ -79,7 +79,7 @@ Rosemblatt 的感知器架构
 
     ```
 
-2.  我们使用[第 3 章](../Text/ch03.html "Chapter 3\. Starting with Machine Learning")和*从机器学习*开始引入的 *MNIST 数据集*部分中的`input_data.read`函数，将图像上传到我们的问题中：
+2.  我们使用第 3 章“机器学习入门”引入的 *MNIST 数据集*部分中的`input_data.read`函数，将图像上传到我们的问题中：
 
     ```py
     mnist = input_data.read_data_sets("/tmp/data/", one_hot=True)
@@ -429,9 +429,9 @@ with tf.Session() as sess:
 
 ```
 
-# 多层感知器
+# 多层感知机
 
-更复杂和有效的体系结构是**多层感知器**（**MLP**）。 它基本上由多层感知器组成，因此至少存在*个隐藏的* *层*，即**未连接到输入或连接到** 网络的输出：
+更复杂和有效的体系结构是**多层感知机**（**MLP**）。 它基本上由多层感知机组成，因此至少存在*隐藏的层*，即**未连接到网络的输入或输出**：
 
 ![Multi Layer Perceptron](img/B05474_04_05.jpg)
 
@@ -447,7 +447,7 @@ MLP 架构
 
 在以下示例中，我们显示了针对图像分类问题（MNIST）的 MLP 实现。
 
-## 多层感知器分类
+## 多层感知机分类
 
 导入必要的库：
 
@@ -521,8 +521,8 @@ n_classes = 10
 
 每个选择都必须基于类似应用程序的经验，例如：
 
-*   当增加隐藏层的数量时，我们还应该在学习阶段增加必要的训练集的大小，并增加要更新的连接数。 这导致训练时间中*增加*。
-*   另外，如果隐藏层中的神经元太多，不仅有更多的权重需要更新，而且网络还倾向于从训练示例集中学习太多，从而导致*的泛化性很差* 能力。 但是，如果隐藏的神经元太少，即使使用训练集，网络*也无法学习*。
+*   当增加隐藏层的数量时，我们还应该在学习阶段增加必要的训练集的大小，并增加要更新的连接数。 这导致训练时间*增加*。
+*   另外，如果隐藏层中的神经元太多，不仅有更多的权重需要更新，而且网络还倾向于从训练示例集中学习太多，从而导致*泛化能力很差*。 但是，如果隐藏的神经元太少，即使使用训练集，网络*也无法学习*。
 
 ### 建立模型
 
@@ -561,7 +561,7 @@ layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(x,h),bias_layer_1))
 
 ```
 
-它通过`activation`函数将其输出发送到下一层的神经元。 必须说，每个神经元的功能可能不同，但是在实践中，我们对所有神经元（通常为 S 型）采用一个共同的特征。 有时输出神经元具有线性激活功能。 有趣的是，隐藏层中神经元的激活函数不能是线性的，因为在这种情况下，MLP 网络将等效于具有两层的网络，因此不再是 MLP 类型。 第二层必须执行与第一相同的步骤*。*
+它通过`activation`函数将其输出发送到下一层的神经元。 必须说，每个神经元的功能可能不同，但是在实践中，我们对所有神经元（通常为 S 型）采用一个共同的特征。 有时输出神经元具有线性激活功能。 有趣的是，隐藏层中神经元的激活函数不能是线性的，因为在这种情况下，MLP 网络将等效于具有两层的网络，因此不再是 MLP 类型。 第二层必须执行与第一相同的步骤。
 
 第二中间层由权重张量`[256 × 256]`的形状表示：
 
@@ -755,7 +755,7 @@ TensorFlow 提供了优化器基类来计算损失的梯度并将梯度应用于
 
 ![Launch the session](img/B05474_04_06.jpg)
 
-多层感知器的训练阶段
+多层感知机的训练阶段
 
 ### 源代码
 
@@ -844,7 +844,7 @@ with tf.Session() as sess:
 
 ```
 
-## 多层感知器功能逼近
+## 多层感知机功能逼近
 
 在以下示例中，我们实现了一个 MLP 网络，该网络将能够学习任意函数`f (x)`的趋势。 在训练阶段，网络将必须从一组已知点中学习`x`和`f (x)`，而在测试阶段，网络将仅从`x`值中扣除`f (x)`的值。
 
@@ -1061,10 +1061,10 @@ plt.show()
 
 ![Launch the session](img/B05474_04_08.jpg)
 
-多层感知器的训练阶段
+多层感知机的训练阶段
 
 # 摘要
 
-在本章中，我们介绍了*人工神经网络*。 人工神经元是一种数学模型，在某种程度上模仿了活神经元的特性。 网络的每个神经元都有一个非常简单的操作，包括接收到的信号总量超过激活阈值时变为活动状态。 学习过程通常是*监督的*：神经网络使用训练集来推断输入和相应输出之间的关系，而学习算法会修改网络的权重以使*最小化 表示与*训练集*有关的*预测误差*的成本函数*。 如果训练成功，则即使事先不知道输出结果，神经网络也将能够做出预测。 在本章中，我们使用 TensorFlow 实现了一些涉及神经网络的示例。 在使用 *Rosemblatt's Perceptron* 进行分类的问题中，我们已经看到神经网络作为 *logistic 回归*算法来解决分类和回归问题。 在本章的最后，我们介绍了*多层感知器*架构，在实现*图像分类器*之前，然后是*仿真器的实现中，我们已经看到了该架构的实际应用。 数学函数*。
+在本章中，我们介绍了*人工神经网络*。 人工神经元是一种数学模型，在某种程度上模仿了活神经元的特性。 网络的每个神经元都有一个非常简单的操作，包括接收到的信号总量超过激活阈值时变为活动状态。 学习过程通常是*监督的*：神经网络使用训练集来推断输入和相应输出之间的关系，而学习算法会修改网络的权重以使成本函数*最小化*，它表示*训练集*有关的*预测误差*。 如果训练成功，则即使事先不知道输出结果，神经网络也将能够做出预测。 在本章中，我们使用 TensorFlow 实现了一些涉及神经网络的示例。 在使用 *Rosemblatt 的感知机*进行分类的问题中，我们已经看到神经网络作为*逻辑回归*算法来解决分类和回归问题。 在本章的最后，在实现*图像分类器*之前，我们介绍了*多层感知机*架构，然后在*数学函数仿真器*的实现中，我们已经看到了该架构的实际应用。
 
-在下一章中，我们最后介绍深度学习模型； 我们将研究和实现更复杂的神经网络架构，例如卷积神经网络和递归神经网络。**
+在下一章中，我们最后介绍深度学习模型； 我们将研究和实现更复杂的神经网络架构，例如卷积神经网络和递归神经网络。
\ No newline at end of file

docs/get-start-tf/ch05.md

@@ -358,7 +358,7 @@ pred = tf.add(tf.matmul(dense1, wout), bout)
 
 #### 测试和训练模型
 
-必须将证据转换为 10 种可能类别中每一种的概率（该方法与我们在[第 4 章](../Text/ch04.html "Chapter 4\. Introducing Neural Networks")和*神经网络介绍*中看到的方法相同）。 因此，我们定义了成本函数，该函数通过应用`softmax`函数来评估模型的质量：
+必须将证据转换为 10 种可能类别中每一种的概率（该方法与我们在第 4 章和*神经网络介绍*中看到的方法相同）。 因此，我们定义了成本函数，该函数通过应用`softmax`函数来评估模型的质量：
 
 ```py
 cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred, y))

docs/get-start-tf/ch06.md

@@ -10,7 +10,7 @@
 
 # GPU 编程
 
-在[第 5 章](../Text/ch05.html "Chapter 5\.  Deep Learning")，*深度学习*中，我们针对 NLP 应用训练了**递归神经网络**（**RNN**）， 深度学习应用程序可能需要大量计算。 但是，您可以通过**图形处理单元**（**GPU**）使用并行编程技术来减少训练时间。 实际上，现代图形单元的计算资源使它们能够执行并行代码部分，从而确保了高性能。
+在第 5 章，*深度学习*中，我们针对 NLP 应用训练了**递归神经网络**（**RNN**）， 深度学习应用程序可能需要大量计算。 但是，您可以通过**图形处理单元**（**GPU**）使用并行编程技术来减少训练时间。 实际上，现代图形单元的计算资源使它们能够执行并行代码部分，从而确保了高性能。
 
 GPU 编程模型是一种编程策略，包括将 CPU 替换为 GPU 以加速各种应用程序的执行。 该策略的应用范围非常广泛，并且每天都在增长。 目前，GPU 能够减少跨平台（从汽车到手机，从平板电脑到无人机和机器人）的应用程序执行时间。