2021-01-15 22:30:54

new/dl-pt-workshop/7.md

@@ -102,7 +102,7 @@
 
     注意
 
-    为避免内存限制，在读取文本文件时，请使用 **nrows** 自变量，以读取整个数据集的较小部分。 在前面的示例中，我们正在读取前 50,000 行。
+    为避免内存限制，在读取文本文件时，请使用`nrows`自变量，以读取整个数据集的较小部分。 在前面的示例中，我们正在读取前 50,000 行。
 
     输出如下：
 
@@ -122,7 +122,7 @@
 
 4.  Check for missing values.
 
-    如果在先前用于此目的的代码行中添加一个附加的 **sum（）**函数，则将获得整个数据集中的缺失值之和，而无需按列进行区分：
+    如果在先前用于此目的的代码行中添加一个附加的`sum()`函数，则将获得整个数据集中的缺失值之和，而无需按列进行区分：
 
     data.isnull（）。sum（）。sum（）
 
@@ -890,7 +890,7 @@
 
     top_p，top_class_test = pred.topk（1，暗= 1）
 
-    通过打印 **top_class_test** ，我们可以获得模型的预测，在这种情况下，该预测等于`1`（是）。
+    通过打印`top_class_test`，我们可以获得模型的预测，在这种情况下，该预测等于`1`（是）。
 
 8.  Convert the model using the JIT module:
 
@@ -906,7 +906,7 @@
 
     top_p_2，top_class_test_2 = projection.topk（1，dim = 1）
 
-    通过打印 **top_class_test_2** ，我们从模型的跟踪脚本表示中获得了预测，该预测再次等于`1`（是）。
+    通过打印`top_class_test_2`，我们从模型的跟踪脚本表示中获得了预测，该预测再次等于`1`（是）。
 
 10.  Open a new Jupyter Notebook and import the required libraries to create an API using Flask, as well as the libraries to load the saved model:
 
@@ -962,7 +962,7 @@
 
     app.run（debug = True，use_reloader = False）
 
-    使用为 API 开发而创建的平台 Postman，可以测试 API。 要向 Postman 提交成功的请求，标头的 **Content-Type** 应当等于 **application / json** 。 结果输出应如下所示：
+    使用为 API 开发而创建的平台 Postman，可以测试 API。 要向 Postman 提交成功的请求，标头的`*Content-Type`应当等于`application/json`。 结果输出应如下所示：
 
 ![Figure 3.20: A screenshot of the app after running it ](img/B15778_03_13.jpg)
 
@@ -1026,7 +1026,7 @@
 
     转换=转换）
 
-    前面的代码将下载可通过 PyTorch 的 **Torchvision** 软件包获得的训练和测试数据集。 根据上一步中定义的转换对数据集进行转换。
+    前面的代码将下载可通过 PyTorch 的`Torchvision`软件包获得的训练和测试数据集。 根据上一步中定义的转换对数据集进行转换。
 
 4.  Using a validation size of 20%, define the training and validation sampler that will be used to divide the dataset into those two sets:
 
@@ -1044,7 +1044,7 @@
 
     dev_sampler = SubsetRandomSampler（dev_idx）
 
-    为了将训练集分为两组（训练和验证），为每个组定义了一个索引列表，然后可以使用 **SubsetRandomSampler** 函数对其进行随机采样。
+    为了将训练集分为两组（训练和验证），为每个组定义了一个索引列表，然后可以使用`SubsetRandomSampler`函数对其进行随机采样。
 
 5.  Use the **DataLoader()** function to define the batches of each set of data to be used:
 
@@ -1070,7 +1070,7 @@
 
     batch_size =批量大小）
 
-    PyTorch 的 **DataLoader** 函数用于创建批次，这些批次将在开发过程的训练，验证和测试阶段馈送到模型中。
+    PyTorch 的`DataLoader`函数用于创建批次，这些批次将在开发过程的训练，验证和测试阶段馈送到模型中。
 
 6.  Define the architecture of your network. Use the following information to do so:
 
@@ -1088,7 +1088,7 @@
 
     线性 1：一个全连接层，接收上一层的展平矩阵作为输入，并生成 100 个单位的输出。 为此层使用 ReLU 激活功能。 此处的辍学期限设置为 20%。
 
-    Linear2：一个全连接层，可生成 10 个输出，每个类标签一个。 将 **log_softmax** 激活功能用于输出层：
+    Linear2：一个全连接层，可生成 10 个输出，每个类标签一个。 将`log_softmax`激活功能用于输出层：
 
     CNN（nn.Module）类：
 
@@ -1130,7 +1130,7 @@
 
     返回 x
 
-    前面的代码段包含一个定义了网络体系结构的类（**__init__** 方法），以及在信息正向传递过程中所遵循的步骤（**正向** 方法）。
+    前面的代码段包含一个定义了网络体系结构的类（`__init__`方法），以及在信息正向传递过程中所遵循的步骤（`forward`方法）。
 
 7.  Define all of the parameters that are required to train your model. Set the number of epochs to`50`:
 
@@ -1492,11 +1492,11 @@
 
 1.  Duplicate the notebook from the previous activity.
 
-    为了完成此活动，按照以下步骤，除了修改**转换**值之外，不会更改任何代码。
+    为了完成此活动，按照以下步骤，除了修改`tranforms`值之外，不会更改任何代码。
 
 2.  Change the definition of the **transform** variable so that it includes, in addition to normalizing and converting the data into tensors, the following transformations:
 
-    对于训练/验证集，请使用 **RandomHorizo​​ntalFlip** 函数，其概率为 50% （`0.5`），并使用 **RandomGrayscale** 函数，其概率为 10% （`0.1`）。
+    对于训练/验证集，请使用`RandomHorizo​​ntalFlip`函数，其概率为 50% （`0.5`），并使用`RandomGrayscale`函数，其概率为 10% （`0.1`）。
 
     对于测试集，请勿添加任何其他转换：
 
@@ -1660,7 +1660,7 @@
 
     从 torchvision 导入转换，模型
 
-    如果您的计算机具有可用的 GPU，请确保定义一个名为**设备**的变量，该变量将有助于为 GPU 分配一些变量，如下所示：
+    如果您的计算机具有可用的 GPU，请确保定义一个名为`device`的变量，该变量将有助于为 GPU 分配一些变量，如下所示：
 
     device = "cuda"
 
@@ -2030,9 +2030,9 @@
 
 4.  Create the **inputs** and **targets** variables that will be fed to the network to create the model. These variables should be of the same shape and be converted into PyTorch tensors.
 
-    **输入**变量应包含除上周外的所有星期的所有产品数据，因为模型的目的是预测最后一周。
+    `input`变量应包含除上周外的所有星期的所有产品数据，因为模型的目的是预测最后一周。
 
-    **目标**变量应比**输入**变量领先一步； 也就是说，**目标**变量的第一个值应该是输入变量中的第二个，依此类推，直到**目标**变量的最后一个值（应该是 被留在**输入**变量之外）：
+    `target`变量应比`input`变量领先一步； 也就是说，`target`变量的第一个值应该是输入变量中的第二个，依此类推，直到`target`变量的最后一个值（应该是 被留在`input`变量之外）：
 
     data_train = data.iloc [：，：-1]
 
@@ -2072,7 +2072,7 @@
 
     返回，隐藏
 
-    与之前的活动一样，该类包含 **__init__** 方法以及网络体系结构，以及**转发**方法，该方法确定信息在各层之间的流动。
+    与之前的活动一样，该类包含`__init__`方法以及网络体系结构，以及`forward`方法，该方法确定信息在各层之间的流动。
 
 6.  Instantiate the **class** function containing the model. Feed the input size, the number of neurons in each recurrent layer (`10`), and the number of recurrent layers (`1`):
 
@@ -2102,7 +2102,7 @@
 
     注意
 
-    考虑到没有批次用于遍历数据集，**隐藏的**变量实际上并未在批次之间传递（而是在处理序列的每个元素时使用隐藏状态），但是 为了清楚起见，它留在这里。
+    考虑到没有批次用于遍历数据集，`hidden`量实际上并未在批次之间传递（而是在处理序列的每个元素时使用隐藏状态），但是 为了清楚起见，它留在这里。
 
     损失= []
 
@@ -2326,7 +2326,7 @@
 
     返回状态
 
-    此类包含 **__init__** 方法（其中定义了网络的体系结构），**前向**方法（用于确定通过层的数据流）以及 **init_state** 用零初始化隐藏状态和单元状态的方法。
+    此类包含`__init__`方法（其中定义了网络的体系结构），`forward`方法（用于确定通过层的数据流）以及`init_state`用零初始化隐藏状态和单元状态的方法。
 
 7.  Determine the number of batches to be created out of your dataset, bearing in mind that each batch should contain 100 sequences, each with a length of 50\. Next, split the encoded data into 100 sequences:
 
@@ -2556,7 +2556,7 @@
 
     型号= model.to（“ cpu”）
 
-    首先，用于循环的**将种子输入模型，以便可以生成内存。 接下来，执行预测，如以下代码片段所示：**
+    首先，`for`循环的将种子输入模型，以便可以生成内存。 接下来，执行预测，如以下代码片段所示：
 
     对于启动器中的 ch：
 
@@ -2700,7 +2700,7 @@
 
     返回
 
-    该类包含用于定义网络体系结构的 **__init__** 方法和用于确定数据流经不同层的方式的**正向**方法。
+    该类包含用于定义网络体系结构的`__init__`方法和用于确定数据流经不同层的方式的`forward`方法。
 
 7.  Instantiate the model using 64 embedding dimensions and 128 neurons for three LSTM layers: