2020-08-05 21:39:29

docs/hands-on-dl-tf-zh/ch01.md

@@ -22,7 +22,7 @@ TensorFlow 是 Google 最近发布的新的机器学习和图计算库。 其 Py
 
 即使对于经验丰富的系统管理员来说，安装 TensorFlow 也是非常困难的。 因此，我强烈建议您使用类似`pip`的安装方式。 或者，如果您熟悉 Docker，请使用 Docker 安装。 您可以从源代码安装 TensorFlow，但这可能非常困难。 我们将使用称为 wheel 文件的预编译二进制文件安装 TensorFlow。 您可以使用 Python 的`pip`模块安装程序来安装此文件。
 
-## 通过 pip 安装
+## 通过`pip`安装
 
 对于`pip`安装，您可以选择使用 Python 2 或 Python 3 版本。 另外，您可以在 CPU 和 GPU 版本之间进行选择。 如果您的计算机具有功能强大的显卡，则可能适合您使用 GPU 版本。
 

docs/hands-on-dl-tf-zh/ch02.md

@@ -4,7 +4,7 @@
 
 *   基本神经网络
 *   单隐藏层模型
-*   单个隐藏层说明
+*   单隐藏层说明
 *   多隐藏层模型
 *   多隐藏层的结果
 
@@ -153,7 +153,7 @@ except ImportError:
 
     ![Exploring the single hidden layer model](img/00028.jpg)
 
-4.  现在，这只是对您友好的逻辑回归； 您已经知道该怎么办。 这些新计算的 128 个特征需要它们自己的权重和偏置集来计算输出类的分数，分别为`W2`和`b2`。 注意形状如何与神经元的形状 128 匹配，并且输出类的数量 为 5：
+4.  现在，这只是对您友好的逻辑回归； 您已经知道该怎么办。 这些新计算的 128 个特征需要它们自己的权重和偏置集来计算输出类的分数，分别为`W2`和`b2`。 注意形状如何与神经元的形状 128 匹配，并且输出类的数量为 5：
 
     ```py
     W2 = tf.Variable(tf.truncated_normal([num_hidden, 5],
@@ -385,7 +385,7 @@ for i in tqdm(range(epochs)):
 
 和往常一样，如果您没有 Matplotlib，请不要担心。 打印数组的一部分很好。
 
-## 了解多隐藏层图
+## 了解多隐藏层的图
 
 执行以下代码以查看结果：
 

docs/hands-on-dl-tf-zh/ch03.md

@@ -9,10 +9,10 @@
 *   卷积层动机
 *   卷积层应用
 *   池化层动机
-*   池层应用
+*   池化层应用
 *   深度 CNN
 *   更深的 CNN
-*   总结深层 CNN
+*   深层 CNN 总结
 
 现在让我们进入卷积层。
 
@@ -202,7 +202,7 @@ plt.colorbar()
 
 # 池化层动机
 
-现在，让我们了解池层的共同合作伙伴。 在本节中，我们将学习与卷积层相似的最大池化层，尽管它们在通用用法上有所不同。 最后，我们将展示如何组合这些层以获得最大效果。
+现在，让我们了解池化层的共同合作伙伴。 在本节中，我们将学习与卷积层相似的最大池化层，尽管它们在通用用法上有所不同。 最后，我们将展示如何组合这些层以获得最大效果。
 
 ## 最大池化层
 
@@ -246,7 +246,7 @@ plt.colorbar()
 
 在本节中，我们将研究用于最大池化的 TensorFlow 函数，然后我们将讨论从池化层过渡到完全连接层的过程。 最后，我们将目视观察池输出以验证其减小的大小。
 
-让我们从上一节中停下来的示例开始。 在开始本练习之前，请确保您已执行所有操作直到英镑池层。
+让我们从上一节中停下来的示例开始。 在开始本练习之前，请确保您已执行所有操作直到英镑池化层。
 
 回想一下，我们通过 3x3 卷积和校正的线性激活来放置 10x10 图像。 现在，让我们在卷积层之后添加一个最大 2x2 的池化层。
 
@@ -335,7 +335,7 @@ xw = tf.nn.conv2d(x_im, W1,
 
 好东西，我们在那里推广了它，现在使生活变得轻松。 以下是上述代码行的描述：
 
-*   `x_im`已转换输入
+*   `x_im`是要转换的输入
 *   `W1`属性是我们刚刚指定的权重矩阵
 *   `strides`告诉 TensorFlow 每一步将窗口移动一次
 *   `padding='SAME'`表示接受图像边缘上的窗口

docs/hands-on-dl-tf-zh/ch04.md

@@ -3,7 +3,7 @@
 在上一章中，您了解了卷积网络。 现在，该介绍一种新型的模型和问题了-循环神经网络（RNN）。 在本章中，我们将解释 RNN 的工作原理，并在 TensorFlow 中实现一个。 我们的示例问题将是具有天气信息的简单季节预报器。 我们还将看一下`skflow`，它是 TensorFlow 的简化接口。 这将使我们能够快速重新实现旧的图像分类模型和新的 RNN。 在本章的最后，您将对以下概念有很好的理解：
 
 *   探索 RNN
-*   TensorFlow 学习
+*   TensorFlow Learn
 *   密集神经网络（DNN）
 
 # 探索 RNN
@@ -18,7 +18,7 @@
 
 RNN 正是这样做的。 像往常一样考虑您的输入`Xt`，但在某些状态下添加来自上一个时间步的`St-1`作为附加特征。 现在，您可以像往常一样计算权重以预测`Yt`，并产生一个新的内部状态`St`，以供下一步使用。 对于第一步，通常使用默认或零初始状态。 经典的 RNN 实际上就是这么简单，但是当今文学中有更高级的结构，例如门控循环单元和长短期存储电路。 这些不在本书的讨论范围之内，但是它们遵循相同的原理，并且通常适用于相同类型的问题。
 
-## 权重建模
+## 模型权重
 
 您可能想知道我们如何根据上一个时间步长计算所有这些相关性的权重。 计算梯度确实涉及到时间计算的递归，但不要担心，TensorFlow 处理乏味的东西，让我们进行建模：
 
@@ -211,7 +211,7 @@ for i in tqdm(range(epochs), ascii=True):
 
 即使您不喜欢该语法，也值得将 TensorFlow Learn 作为 TensorFlow 的高级 API。 这是因为它是当前唯一受官方支持的版本。 但是，您应该知道，有许多替代的高级 API 可能具有更直观的接口。 如果有兴趣，请参阅 [Keras](https://keras.io/)，`tf.slim`（包含在 TF 中）或 [TFLearn](http://tflearn.org/)。为了了解有关 TensorFlow-Slim 的更多信息，请参阅[此链接](https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/slim)。
 
-## 设置
+## 起步
 
 要开始使用 TensorFlow Learn，您只需导入它即可。 我们还将导入`estimators`函数，这将帮助我们制作常规模型：
 

docs/hands-on-dl-tf-zh/ch05.md

@@ -2,14 +2,14 @@
 
 在上一章中，我们了解了 TensorFlow 和 RNN 模型的另一个接口。 本章将对 TensorFlow 进行总结，探讨我们已经走了多远，以及从这里可以去哪里。 首先，我们将回顾字体分类问题的研究进展，然后简要介绍除深度学习之外的 TensorFlow，并查看其将来的发展方向。 在本章的最后，您将熟悉以下概念：
 
-*   研究评价
+*   研究回顾
 *   快速浏览所有模型
 *   TensorFlow 的未来
 *   其他一些 TensorFlow 项目
 
 现在让我们开始详细研究研究评估。
 
-# 研究评价
+# 研究回顾
 
 在本节中，我们将比较字体分类问题中的模型。 首先，我们应该提醒自己数据是什么样的。 然后，我们将检查简单的逻辑密集神经网络和卷积神经网络模型。 使用 TensorFlow 建模已经走了很长一段路。
 
@@ -211,7 +211,7 @@ h2_drop = tf.nn.dropout(h2, keep_prob)
 
 仅训练了 5000 个周期后，我们就清除了 68％的准确率。 我们确实必须对卷积进行编码，但这并不是那么困难。 通过对问题的结构应用一些知识，我们同时减小了模型大小，但提高了准确率。 干得好！
 
-## 深卷积神经网络
+## 深度卷积神经网络
 
 结合了深度和卷积方法，我们最终创建了一个具有几个卷积层的模型：
 
@@ -280,7 +280,7 @@ TensorFlow 不断更新。 尽管它不是 Google 的正式产品，但它还是
 
     像字体一样，植物叶子在一个物种中具有相似的样式。 您是否可以修改在本课程中建立的模型，以仅使用图像识别物种？
 
-*   带有行车记录仪视频的路标识别：
+*   使用行车记录仪视频的路标识别：
 
     假设您从长途旅行中获得了许多行车记录仪镜头。 高速公路上的路标可以为您提供许多信息，例如您在哪里以及应该走多快。 您可以建立一系列 TensorFlow 模型来查找素材中的速度限制吗？