2020-09-11 11:47:50

docs/get-start-tf/ch01.md

@@ -58,7 +58,7 @@
 
 # TensorFlow –概述
 
-TensorFlow（ [https://www.tensorflow.org/](https://www.tensorflow.org/) ）是一个软件库，由 Google 机器学习情报研究组织的 Google Brain 团队开发，目的是进行机器学习和深度神经网络研究。 然后 TensorFlow 结合了编译优化技术的计算代数，从而简化了许多数学表达式的计算，其中问题是执行计算所需的时间。
+[TensorFlow](https://www.tensorflow.org/) 是一个软件库，由 Google 机器学习情报研究组织的 Google Brain 团队开发，目的是进行机器学习和深度神经网络研究。 然后 TensorFlow 结合了编译优化技术的计算代数，从而简化了许多数学表达式的计算，其中问题是执行计算所需的时间。
 
 主要功能包括：
 
@@ -71,7 +71,7 @@ TensorFlow（ [https://www.tensorflow.org/](https://www.tensorflow.org/) ）是
 
 TensorFlow 主页
 
-TensorFlow 可以使用 Python 和 C ++支持，并且我们将使用 Python 2.7 进行学习，因为 Python API 确实受到更好的支持并且更容易学习。 Python 的安装取决于您的系统。 下载页面（ [https://www.python.org/downloads/](https://www.python.org/downloads/) ）包含安装页面所需的所有信息。 在下一节中，我们将通过一些编程示例非常简要地解释 Python 语言的主要功能。
+TensorFlow 可以使用 Python 和 C ++支持，并且我们将使用 Python 2.7 进行学习，因为 Python API 确实受到更好的支持并且更容易学习。 Python 的安装取决于您的系统。 [下载页面](https://www.python.org/downloads/)包含安装页面所需的所有信息。 在下一节中，我们将通过一些编程示例非常简要地解释 Python 语言的主要功能。
 
 # Python 基础
 
@@ -388,7 +388,7 @@ TensorFlow Python API 支持 Python 2.7 和 Python 3.3+。 GPU 版本（仅 Linu
 
 ### 注意
 
-要使用 TensorFlow 启用 GPU，您可以参考（ [https://www.tensorflow.org/versions/r0.9/get_started/os_setup.html#optional-linux-enable-gpu-support](https://www.tensorflow.org/versions/r0.9/get_started/os_setup.html#optional-linux-enable-gpu-support) ） 有关完整的说明。
+要使用 TensorFlow 启用 GPU，有关完整的说明您可以参考[这里](https://www.tensorflow.org/versions/r0.9/get_started/os_setup.html#optional-linux-enable-gpu-support)。
 
 最后，完成后，必须禁用虚拟环境：
 
@@ -399,7 +399,7 @@ TensorFlow Python API 支持 Python 2.7 和 Python 3.3+。 GPU 版本（仅 Linu
 
 ### 注意
 
-鉴于本书的介绍性，我建议读者访问下载和设置 TensorFlow 页面，网址为（ [https://www.tensorflow.org/versions/r0.7/get_started/os_setup.html#download-and -setup](https://www.tensorflow.org/versions/r0.7/get_started/os_setup.html#download-and-setup) ）以查找有关其他安装 TensorFlow 的方法的更多信息。
+鉴于本书的介绍性，我建议读者访问[下载和设置 TensorFlow 页面](https://www.tensorflow.org/versions/r0.7/get_started/os_setup.html#download-and-setup)以查找有关其他安装 TensorFlow 的方法的更多信息。
 
 ## 在 Windows 上安装
 
@@ -411,20 +411,16 @@ TensorFlow Python API 支持 Python 2.7 和 Python 3.3+。 GPU 版本（仅 Linu
 
 ## 从源安装
 
-但是，Pip 安装可能会引起问题，尤其是在使用可视化工具 TensorBoard 时（请参见 [https://github.com/tensorflow/tensorflow/issues/530](https://github.com/tensorflow/tensorflow/issues/530) ）。 要解决此问题，建议您通过以下步骤构建并安装 TensorFlow，以启动表单源文件：
+但是，Pip 安装可能会引起问题，[尤其是在使用可视化工具 TensorBoard 时](https://github.com/tensorflow/tensorflow/issues/530)。 要解决此问题，建议您通过以下步骤构建并安装 TensorFlow，以启动表单源文件：
 
 1.  Clone the TensorFlow repository:
 
     ```py
-    git clone --recurse-submodules 
+    git clone --recurse-submodules https://github.com/tensorflow/tensorflow
 
     ```
 
-    [https://github.com/tensorflow/tensorflow](https://github.com/tensorflow/tensorflow)
-
-2.  Install Bazel (dependencies and installer), following the instructions at:
-
-    [http://bazel.io/docs/install.html](http://bazel.io/docs/install.html) 。
+2.  Install Bazel (dependencies and installer), following the [instructions](http://bazel.io/docs/install.html).
 
 3.  运行 Bazel 安装程序：
 
@@ -473,7 +469,7 @@ TensorFlow Python API 支持 Python 2.7 和 Python 3.3+。 GPU 版本（仅 Linu
 
 ### 注意
 
-有关更多信息，请参考 [https://www.tensorflow.org/versions/r0.7/get_started/os_setup.html#installation-for-linux](https://www.tensorflow.org/versions/r0.7/get_started/os_setup.html#installation-for-linux) 。
+有关更多信息，请参考[这里](https://www.tensorflow.org/versions/r0.7/get_started/os_setup.html#installation-for-linux)。
 
 ## 测试您的 TensorFlow 安装
 

docs/get-start-tf/ch03.md

@@ -270,7 +270,7 @@ with tf.Session() as session:
 
 # MNIST 数据集
 
-MNIST 数据集（可从 [http://yann.lecun.com/exdb/mnist/](http://yann.lecun.com/exdb/mnist/) 获得）在机器学习领域中广泛用于培训和测试，我们将在示例中使用它 这本书。 它包含从 0 到 9 的手写数字的黑白图像。
+[MNIST 数据集](http://yann.lecun.com/exdb/mnist/)在机器学习领域中广泛用于培训和测试，我们将在示例中使用它 这本书。 它包含从 0 到 9 的手写数字的黑白图像。
 
 数据集分为两个组：60,000 个用于训练模型，另外 10,000 个用于测试模型。 将黑白的原始图像规格化以适合大小为 28×28 像素的盒子，并通过计算像素的质心来居中。 下图表示如何在 MNIST 数据集中表示数字：
 
@@ -286,9 +286,7 @@ MNIST 数字采样
 
 ## 下载并准备数据
 
-以下代码导入了我们将要分类的 MNIST 数据文件。 我正在使用 Google 提供的脚本，可以从以下位置下载该脚本：
-
-[https://github.com/tensorflow/tensorflow/blob/r0.7/tensorflow/examples/tutorials/mnist/input_data.py](https://github.com/tensorflow/tensorflow/blob/r0.7/tensorflow/examples/tutorials/mnist/input_data.py) 。 它必须在文件所在的同一文件夹中运行。
+以下代码导入了我们将要分类的 MNIST 数据文件。 我正在使用 Google 提供的脚本，[可以从以下位置下载该脚本](https://github.com/tensorflow/tensorflow/blob/r0.7/tensorflow/examples/tutorials/mnist/input_data.py)。 它必须在文件所在的同一文件夹中运行。
 
 现在，我们将展示如何加载和显示数据：
 

docs/get-start-tf/ch04.md

@@ -170,7 +170,7 @@ TensorFlow 的`tf.nn.softmax`函数提供了来自输入证据张量的基于概
 
 ### 注意
 
-TensorFlow 提供了许多其他激活功能。 有关更好的参考，请参见 [https://www.tensorflow.org/versions/r0.8/api_docs/index.html](https://www.tensorflow.org/versions/r0.8/api_docs/index.html) 。
+TensorFlow 提供了许多其他激活功能。 有关更好的参考，请参见[这里](https://www.tensorflow.org/versions/r0.8/api_docs/index.html)。
 
 为了训练我们的模型并知道何时有一个好的模型，我们必须定义如何定义模型的准确性。 我们的目标是尝试获取参数`W`和`b`的值，这些值会最小化指示模型有多糟糕的度量值。
 
@@ -620,7 +620,7 @@ optimizer = tf.train.AdamOptimizer\
 
 ### 注意
 
-TensorFlow 提供了优化器基类来计算损失的梯度并将梯度应用于变量。 此类定义用于添加操作以训练模型的 API。 您永远不会直接使用此类，而是实例化其子类之一。 请参阅 [https://www.tensorflow.org/versions/r0.8/api_docs/python/train.html#Optimizer](https://www.tensorflow.org/versions/r0.8/api_docs/python/train.html#Optimizer) 以查看优化程序的实现。
+TensorFlow 提供了优化器基类来计算损失的梯度并将梯度应用于变量。 此类定义用于添加操作以训练模型的 API。 您永远不会直接使用此类，而是实例化其子类之一。 请参阅[这里](https://www.tensorflow.org/versions/r0.8/api_docs/python/train.html#Optimizer)以查看优化程序的实现。
 
 ### 启动会议
 

docs/get-start-tf/ch05.md

@@ -664,11 +664,11 @@ RNN 已被证明在诸如预测文本中的下一个字符或类似地预测句
 
 ### 注意
 
-有关其他参考，请参见 [https://www.tensorflow.org/versions/r0.8/tutorials/recurrent/index.html](https://www.tensorflow.org/versions/r0.8/tutorials/recurrent/index.html) 。
+有关其他参考，请参见[这里](https://www.tensorflow.org/versions/r0.8/tutorials/recurrent/index.html)。
 
 #### 下载资料
 
-您可以从网页 [http://www.fit.vutbr.cz/~imikolov/rnnlm/simple-examples.tgz](http://www.fit.vutbr.cz/~imikolov/rnnlm/simple-examples.tgz) 下载数据，然后提取数据文件夹。 数据集经过预处理，包含 10000 个不同的单词，包括句子结尾标记和稀有单词的特殊符号（`<unk>`）。 我们将`reader.py`中的所有参数都转换为唯一的整数标识符，以使神经网络更易于处理。
+您可以从[网页](http://www.fit.vutbr.cz/~imikolov/rnnlm/simple-examples.tgz)下载数据，然后提取数据文件夹。 数据集经过预处理，包含 10000 个不同的单词，包括句子结尾标记和稀有单词的特殊符号（`<unk>`）。 我们将`reader.py`中的所有参数都转换为唯一的整数标识符，以使神经网络更易于处理。
 
 要使用 tar 解压缩`.tgz`文件，您需要使用以下命令：
 

docs/get-start-tf/ch06.md

@@ -24,7 +24,7 @@ TensorFlow 具有可以利用此编程模型的功能（如果您具有 NVIDIA G
 
 ### 注意
 
-对于 Cuda 环境的安装，我们建议参考 Cuda 安装页面： [http://docs.nvidia.com/cuda/cuda-getting-started-guide-for-linux/#axzz49w1XvzNj](http://docs.nvidia.com/cuda/cuda-getting-started-guide-for-linux/#axzz49w1XvzNj)
+对于 Cuda 环境的安装，[我们建议参考 Cuda 安装页面](http://docs.nvidia.com/cuda/cuda-getting-started-guide-for-linux/#axzz49w1XvzNj)：
 
 TensorFlow 通过以下方式引用这些设备：
 
@@ -135,7 +135,7 @@ TensorFlow 服务管道
 
 ### 巴塞尔
 
-TensorFlow Serving 需要 Bazel 0.2.0（ [http://www.bazel.io/](http://www.bazel.io/) ）或更高版本。 下载`bazel-0.2.0-installer-linux-x86_64.sh`。
+TensorFlow Serving 需要 [Bazel 0.2.0](http://www.bazel.io/) ）或更高版本。 下载`bazel-0.2.0-installer-linux-x86_64.sh`。
 
 ### 注意
 
@@ -162,7 +162,7 @@ export PATH="$PATH:$HOME/bin"
 
 ### 注意
 
-您可以在 [https://github.com/grpc](https://github.com/grpc) 上找到其他参考。
+您可以在[这个页面](https://github.com/grpc)上找到其他参考。
 
 #### TensorFlow 服务依赖关系
 
@@ -237,13 +237,11 @@ bazel test tensorflow_serving/
 *   训练和导出模型的 Python 文件（`mnist_export.py`）
 *   一个 C ++文件（`mnist_inference.cc`），该文件加载导出的模型并运行 gRPC 服务为其提供服务
 
-在以下各节中，我们报告使用 TensorFlow Serving 的基本步骤。 对于其他参考，您可以查看 [https://tensorflow.github.io/serving/serving_basic](https://tensorflow.github.io/serving/serving_basic) 。
+在以下各节中，我们报告使用 TensorFlow Serving 的基本步骤。 对于其他参考，您可以查看[这里](https://tensorflow.github.io/serving/serving_basic)。
 
 ### 训练和导出 TensorFlow 模型
 
-如您在`mnist_export.py`中看到的，训练的方法与 MNIST 中的方法相同。 对于初学者教程，请参考以下链接：
-
-[https://www.tensorflow.org/versions/r0.9/tutorials/mnist/beginners/index.html](https://www.tensorflow.org/versions/r0.9/tutorials/mnist/beginners/index.html)
+如您在`mnist_export.py`中看到的，训练的方法与 MNIST 中的方法相同。 对于初学者教程，请参考[以下链接](https://www.tensorflow.org/versions/r0.9/tutorials/mnist/beginners/index.html)。
 
 TensorFlow 图在 TensorFlow 会话`sess`中启动，输入张量（图像）为`x`，输出张量（Softmax 分数）为`y`。 然后我们使用 TensorFlow 服务导出器导出模型； 它构建了经过训练的模型的快照，以便以后可以加载以进行推断。 现在，让我们看一下用于导出训练后的模型的主要功能。
 
@@ -396,7 +394,7 @@ $>bazel-bin/tensorflow_serving/example/mnist_inference --port=9000 /tmp/mnist_mo
 
 ## 测试服务器
 
-要测试服务器，我们使用`mnist_client.py`（ [https://github.com/tensorflow/serving/blob/master/tensorflow_serving/example/mnist_client.py](https://github.com/tensorflow/serving/blob/master/tensorflow_serving/example/mnist_client.py) ）实用程序。
+要测试服务器，我们使用[`mnist_client.py`](https://github.com/tensorflow/serving/blob/master/tensorflow_serving/example/mnist_client.py)实用程序。
 
 该客户端下载 MNIST 测试数据，将其作为请求发送到服务器，并计算推断错误率。