2020-08-06 22:59:20

docs/dl-tf-2e-zh/ch02.md

@@ -1032,7 +1032,7 @@ from sklearn.datasets import load_boston
 from sklearn.model_selection import train_test_split
 ```
 
-接下来，我们需要准备由波士顿住房数据集中的特征和标签组成的训练集。 `read_boston_data ()`方法从 scikit-learn 读取并分别返回特征和标签：
+接下来，我们需要准备由波士顿住房数据集中的特征和标签组成的训练集。`read_boston_data ()`方法从 scikit-learn 读取并分别返回特征和标签：
 
 ```py
 def read_boston_data():

docs/dl-tf-2e-zh/ch03.md

@@ -406,7 +406,7 @@ MLP 在 1986 年首次使用反向传播训练算法成功训练。然而，现
 | ID | 属性 | 说明 |
 | --- | --- | --- |
 | 1 | `age` | 年龄数字。 |
-| 2 | `job` | 这是类别格式的职业类型，具有可能的值：`admin`，`blue-collar`，`entrepreneur`，`housemaid`，`management`，`retired`，`self-employed`，`services`，`student`， `technician`，`unemployed`和`unknown`。 |
+| 2 | `job` | 这是类别格式的职业类型，具有可能的值：`admin`，`blue-collar`，`entrepreneur`，`housemaid`，`management`，`retired`，`self-employed`，`services`，`student`，`technician`，`unemployed`和`unknown`。 |
 | 3 | `marital` | 这是类别格式的婚姻状态，具有可能的值：`divorced`（或`widowed`），`married`，`single`和`unknown`。 |
 | 4 | `education` | 这是类别格式的教育背景，具有如下可能的值：`basic.4y`，`basic.6y`，`basic.9y`，`high.school`，`illiterate`，`professional.course`，`university.degree`和`unknown`。 |
 | 五 | `default` | 这是类别格式的信用，默认情况下可能包含：`no`，`yes`和`unknown`。 |
@@ -888,7 +888,7 @@ RBM 是无向概率图模型，称为马尔科夫随机场。它由两层组成
 
 在等式 4 中，学习率由`eps`定义。通常，较小的`eps`值可确保训练更加密集。但是，如果您希望网络快速学习，可以将此值设置得更高。
 
-由于同一层中的单元之间没有连接，因此很容易计算第一项。 `p(h | v)`和`p(v | h)`的条件分布是阶乘的，并且由以下等式中的逻辑函数给出：
+由于同一层中的单元之间没有连接，因此很容易计算第一项。`p(h | v)`和`p(v | h)`的条件分布是阶乘的，并且由以下等式中的逻辑函数给出：
 
 ![Restricted Boltzmann Machines (RBMs)](img/B09698_03_47.jpg)
 
@@ -1239,7 +1239,7 @@ F1-score: 0.8767190584424599
 
 因为在 FFNN 中，  目标函数之一是最小化评估成本，我们必须定义一个优化器。我们已经看到了如何使用[`tf.train.AdamOptimizer`](https://www.tensorflow.org/api_docs/python/tf/train/AdamOptimizer)。[`Tensorflow tf.train`](https://www.tensorflow.org/api_docs/python/tf/train)提供了一组有助于训练模型的类和函数。就个人而言，我发现 Adam 优化器在实践中对我很有效，而不必考虑学习率等等。
 
-对于大多数情况，我们可以利用 Adam，但有时我们可以采用实现的`RMSPropOptimizer`函数，这是梯度下降的高级形式。 `RMSPropOptimizer`函数实现`RMSProp`算法。
+对于大多数情况，我们可以利用 Adam，但有时我们可以采用实现的`RMSPropOptimizer`函数，这是梯度下降的高级形式。`RMSPropOptimizer`函数实现`RMSProp`算法。
 
 `RMSPropOptimizer`函数还将学习率除以指数衰减的平方梯度平均值。衰减参数的建议设置值为`0.9`，而学习率的良好默认值为`0.001`：
 
@@ -1247,11 +1247,11 @@ F1-score: 0.8767190584424599
 optimizer = tf.train.RMSPropOptimizer(0.001, 0.9).minimize(cost_op)
 ```
 
-使用最常见的优化器 SGD，学习率必须随`1/T`缩放才能获得收敛，其中`T`是迭代次数。 `RMSProp`尝试通过调整步长来自动克服此限制，以使步长与梯度的比例相同。
+使用最常见的优化器 SGD，学习率必须随`1/T`缩放才能获得收敛，其中`T`是迭代次数。`RMSProp`尝试通过调整步长来自动克服此限制，以使步长与梯度的比例相同。
 
 因此，如果您正在训练神经网络，但计算梯度是必需的，使用`tf.train.RMSPropOptimizer()`将是在小批量设置中学习的更快方式。研究人员还建议在训练 CNN 等深层网络时使用动量优化器。
 
-最后，如果您想通过设置这些优化器来玩游戏，您只需要更改一行。由于时间限制，我没有尝试过所有这些。然而，根据 Sebastian Ruder 最近的一篇研究论文（见[此链接](https://arxiv.org/abs/1609.04747)），自适应学习率方法的优化者，`Adagrad`，`Adadelta` ，`RMSprop`和`Adam`是最合适的，并为这些情况提供最佳收敛。
+最后，如果您想通过设置这些优化器来玩游戏，您只需要更改一行。由于时间限制，我没有尝试过所有这些。然而，根据 Sebastian Ruder 最近的一篇研究论文（见[此链接](https://arxiv.org/abs/1609.04747)），自适应学习率方法的优化者，`Adagrad`，`Adadelta`，`RMSprop`和`Adam`是最合适的，并为这些情况提供最佳收敛。
 
 ### 网格搜索和随机搜索的超参数调整
 

docs/dl-tf-2e-zh/ch04.md

@@ -126,7 +126,7 @@ def init_weights(shape):
 w = init_weights([3, 3, 1, 32])
 ```
 
-然后输入的数量增加到`32`，这意味着第二卷积层中的每个神经元被卷积到第一卷积层的`3×3×32`个神经元。 `w2`权重如下：
+然后输入的数量增加到`32`，这意味着第二卷积层中的每个神经元被卷积到第一卷积层的`3×3×32`个神经元。`w2`权重如下：
 
 ```py
 w2 = init_weights([3, 3, 32, 64])
@@ -164,7 +164,7 @@ def model(X, w, w2, w3, w4, w_o, p_keep_conv, p_keep_hidden):
 
 ```
 
-`tf.nn.conv2d()`执行 TensorFlow 操作进行卷积。请注意，所有尺寸的`strides`都设置为 1。实际上，第一步和最后一步必须始终为 1，因为第一步是图像编号，最后一步是输入通道。 `padding`参数设置为`'SAME'`，这意味着输入图像用零填充，因此输出的大小相同：
+`tf.nn.conv2d()`执行 TensorFlow 操作进行卷积。请注意，所有尺寸的`strides`都设置为 1。实际上，第一步和最后一步必须始终为 1，因为第一步是图像编号，最后一步是输入通道。`padding`参数设置为`'SAME'`，这意味着输入图像用零填充，因此输出的大小相同：
 
 ```py
 conv1 = tf.nn.conv2d(X, w,strides=[1, 1, 1, 1],\
@@ -255,7 +255,7 @@ py_x = model(X, w, w2, w3, w4, w_o, p_keep_conv, p_keep_hidden)
 cost = tf.reduce_mean(Y_)
 ```
 
-为了最小化评估的`cost`，我们必须定义一个优化器。在这种情况下，我们将使用`RMSPropOptimizer`，它是 GD 的高级形式。 `RMSPropOptimizer`实现了 RMSProp 算法，这是一种未发表的自适应学习率方法，由 Geoff Hinton 在他的 [Coursera 课程的第 6 讲](http://www.cs.toronto.edu/~tijmen/csc321/slides/lecture_slides_lec6.pdf)中提出。
+为了最小化评估的`cost`，我们必须定义一个优化器。在这种情况下，我们将使用`RMSPropOptimizer`，它是 GD 的高级形式。`RMSPropOptimizer`实现了 RMSProp 算法，这是一种未发表的自适应学习率方法，由 Geoff Hinton 在他的 [Coursera 课程的第 6 讲](http://www.cs.toronto.edu/~tijmen/csc321/slides/lecture_slides_lec6.pdf)中提出。
 
 ### 注意
 
@@ -811,7 +811,7 @@ def gram_matrix(F, N, M):
     return tf.matmul(tf.transpose(Ft), Ft)
 ```
 
-`style_loss`测量两个图像彼此之间的接近程度。此函数是样式图像和输入 `noise_image`生成的 Gram 矩阵元素的平方差的总和：
+`style_loss`测量两个图像彼此之间的接近程度。此函数是样式图像和输入`noise_image`生成的 Gram 矩阵元素的平方差的总和：
 
 ```py
 noise_image = np.random.uniform\
@@ -1339,7 +1339,7 @@ summary_op = tf.summary.merge_all()
             print ("Model Restored!")
 ```
 
-接下来我们需要获得一批训练示例。 `batch_image`现在拥有一批图像，`batch_label`包含这些图像的正确标签：
+接下来我们需要获得一批训练示例。`batch_image`现在拥有一批图像，`batch_label`包含这些图像的正确标签：
 
 ```py
         for step in xrange(MAX_ITERATIONS):

docs/dl-tf-2e-zh/ch05.md

@@ -50,7 +50,7 @@ n_hidden_2 = 128
 X = tf.placeholder("float", [None, n_input])
 ```
 
-然后我们可以定义网络的权重和偏差。 `weights`数据结构包含编码器和解码器的权重定义。请注意，使用`tf.random_normal`选择权重，它返回具有正态分布的随机值：
+然后我们可以定义网络的权重和偏差。`weights`数据结构包含编码器和解码器的权重定义。请注意，使用`tf.random_normal`选择权重，它返回具有正态分布的随机值：
 
 ```py
 weights = {
@@ -304,7 +304,7 @@ testlabel  = mnist.test.labels
 print ("MNIST LOADED")
 ```
 
-让我们为输入图像定义一个占位符变量。数据类型设置为`float`，形状设置为`[None, n_input]`。 `None`参数表示张量可以保持任意数量的图像，每个图像的大小为`n_input`：
+让我们为输入图像定义一个占位符变量。数据类型设置为`float`，形状设置为`[None, n_input]`。`None`参数表示张量可以保持任意数量的图像，每个图像的大小为`n_input`：
 
 ```py
 x = tf.placeholder("float", [None, n_input])
@@ -682,7 +682,7 @@ tf.nn.conv2d_transpose(value, filter, output_shape, strides, padding='SAME')
 这种操作有时是  ，称为反卷积；它只是`conv2d`的梯度。该函数的参数如下：
 
 *   `value`：`float`型和形状`[batch, height, width, in_channels]`的 4D 张量。
-*   `filter`：与`value`和形状`[height, width, output_channels, in_channels]`具有相同类型的 4D 张量。 `in_channels`维度必须与值匹配。
+*   `filter`：与`value`和形状`[height, width, output_channels, in_channels]`具有相同类型的 4D 张量。`in_channels`维度必须与值匹配。
 *   `output_shape`：表示去卷积操作的输出形状的 1D 张量。
 *   `strides`：整数列表。输入张量的每个维度的滑动窗口的步幅。
 *   `padding`：一个有效的字符串或`SAME`。
@@ -891,9 +891,9 @@ Andrea Dal Pozzolo，Olivier Caelen，Reid A. Johnson 和 Gianluca Bontempi。
 
 该数据集包含 2013 年 9 月欧洲信用卡持有人在两天内进行的交易。共有 285,299 笔交易，只有 492 笔欺诈，这意味着数据集非常不平衡。正类（欺诈）占所有交易的 0.172%。
 
-数据集包含数字输入变量，这些变量是 PCA 转换的结果。遗憾的是，由于机密性问题，我们无法提供有关数据的原始特征和更多背景信息。有 28 个特征，即`V1`，`V2`，... `V27`，它们是使用 PCA 获得的主要成分，除了`Time`和`Amount`特征。 `Class`特征是响应变量，在欺诈情况下取值`1`，否则取`0`。
+数据集包含数字输入变量，这些变量是 PCA 转换的结果。遗憾的是，由于机密性问题，我们无法提供有关数据的原始特征和更多背景信息。有 28 个特征，即`V1`，`V2`，... `V27`，它们是使用 PCA 获得的主要成分，除了`Time`和`Amount`特征。`Class`特征是响应变量，在欺诈情况下取值`1`，否则取`0`。
 
-还有两个附加特征，`Time`和`Amount`。 `Time`列表示每笔交易与第一笔交易之间的时间（以秒为单位），而`Amount`列表示此交易中转账的金额。那么，让我们看一下输入数据（仅显示`V1`，`V2`，`V26`和`V27`），如图 16 所示：
+还有两个附加特征，`Time`和`Amount`。`Time`列表示每笔交易与第一笔交易之间的时间（以秒为单位），而`Amount`列表示此交易中转账的金额。那么，让我们看一下输入数据（仅显示`V1`，`V2`，`V26`和`V27`），如图 16 所示：
 
 ![Description of the dataset](img/B09698_05_16.jpg)
 
@@ -1288,7 +1288,7 @@ with tf.Session() as sess:
     test_batch_mse)))
 ```
 
-在此代码中，我们重用了之前制作的训练模型。 `test_batch_mse`是我们测试数据的欺诈分数：
+在此代码中，我们重用了之前制作的训练模型。`test_batch_mse`是我们测试数据的欺诈分数：
 
 ```py
 >>>

docs/dl-tf-2e-zh/ch06.md

@@ -891,7 +891,7 @@ data_lstm = Preprocessing(data_dir=data_dir,
 *   `stopwords_file`：可选。如果提供，它将丢弃原始数据中的每个停用词。
 *   `sequence_len`：可选。如果`m`是数据集中的最大序列长度，则需要`sequence_len >= m`。如果`sequence_len`为`None`，则会自动分配给`m`。
 *   `n_samples`：可选。它是从数据集加载的样本数（对大型数据集很有用）。如果`n_samples`是`None`，则将加载整个数据集（注意；如果数据集很大，则可能需要一段时间来预处理每个样本）。
-*   `test_size`：可选。 `0 < test_size < 1`。它表示要包含在测试集中的数据集的比例（默认值为`0.2`）。
+*   `test_size`：可选。`0 < test_size < 1`。它表示要包含在测试集中的数据集的比例（默认值为`0.2`）。
 *   `val_samples`：可选但可用于表示验证样本的绝对数量（默认为`100`）。
 *   `random_state`：这是随机种子的可选参数，用于将数据分成训练，测试和验证集（默认为`0`）。
 *   `ensure_preprocessed`：可选。如果`ensure_preprocessed=True`，它确保数据集已经过预处理（默认为`False`）。
@@ -1200,7 +1200,7 @@ def __cell(self, hidden_size, dropout_keep_prob, seed=None):
         return dropout_cell
 ```
 
-一旦我们创建了 LSTM 单元格，我们就可以创建输入标记的嵌入。为此，`__word_embeddings()`可以解决这个问题。它构建一个形状为`[vocab_size, embedding_size]`的嵌入层，输入参数如`x`，它是形状`[batch_size, max_length]`的输入。 `vocab_size`是词汇量大小，即可能出现在样本中的可能单词的数量。 `embedding_size`是将使用此大小的向量表示的单词，种子是可选的，但确保嵌入初始化的随机状态。
+一旦我们创建了 LSTM 单元格，我们就可以创建输入标记的嵌入。为此，`__word_embeddings()`可以解决这个问题。它构建一个形状为`[vocab_size, embedding_size]`的嵌入层，输入参数如`x`，它是形状`[batch_size, max_length]`的输入。`vocab_size`是词汇量大小，即可能出现在样本中的可能单词的数量。`embedding_size`是将使用此大小的向量表示的单词，种子是可选的，但确保嵌入初始化的随机状态。
 
 最后，它返回具有形状`[batch_size, max_length, embedding_size]`的嵌入查找张量：
 
@@ -1743,7 +1743,7 @@ TRAIN = "train/"
 TEST = "test/"
 ```
 
-然后我们加载并根据由`[Array [Array [Float]]]`格式的`INPUT_SIGNAL_TYPES`数组定义的输入信号类型，映射每个`.txt`文件的数据。 `X`表示神经网络的训练和测试输入：
+然后我们加载并根据由`[Array [Array [Float]]]`格式的`INPUT_SIGNAL_TYPES`数组定义的输入信号类型，映射每个`.txt`文件的数据。`X`表示神经网络的训练和测试输入：
 
 ```py
 def load_X(X_signals_paths):

docs/dl-tf-2e-zh/ch08.md

@@ -119,7 +119,7 @@ to_ignore=[1, 6]
 data = preprocess(data, to_ignore)
 ```
 
-接下来，我们指定输入数据的形状。输入样本总共有`6`特征，我们将分批量样本以节省内存，因此我们的数据输入形状为`[None, 6]`。 `None`参数表示未知维度，因此我们可以更改批量中处理的样本总数：
+接下来，我们指定输入数据的形状。输入样本总共有`6`特征，我们将分批量样本以节省内存，因此我们的数据输入形状为`[None, 6]`。`None`参数表示未知维度，因此我们可以更改批量中处理的样本总数：
 
 ```py
 net = tfl.input_data(shape=[None, 6])
@@ -326,7 +326,7 @@ def run_model(result):
   test_images, test_labels = data_utils.mnist(training=False)
 ```
 
-我们将使用梯度下降优化程序并将其应用于图。 `pt.apply_optimizer`函数增加了正则化损失并设置了一个步进计数器：
+我们将使用梯度下降优化程序并将其应用于图。`pt.apply_optimizer`函数增加了正则化损失并设置了一个步进计数器：
 
 ```py
   optimizer = tf.train.GradientDescentOptimizer(0.01)
@@ -550,7 +550,7 @@ numpy.random.seed(7)
 
 我们加载 IMDB 数据集。我们将数据集限制为前 5,000 个单词。我们还将数据集分为训练（50%）和测试（50%）集。
 
-Keras 提供对 IMDB 数据集的内置访问。 `imdb.load_data()`函数允许您以准备好在神经网络和 DL 模型中使用的格式加载数据集。单词已被整数替换，这些整数表示数据集中每个单词的有序频率。因此，每个评论中的句子包括一系列整数。
+Keras 提供对 IMDB 数据集的内置访问。`imdb.load_data()`函数允许您以准备好在神经网络和 DL 模型中使用的格式加载数据集。单词已被整数替换，这些整数表示数据集中每个单词的有序频率。因此，每个评论中的句子包括一系列整数。
 
 这是代码：
 

docs/dl-tf-2e-zh/ch09.md

@@ -1263,7 +1263,7 @@ FM 可以使用这些特征丰富的（元）数据集。 FM 可以使用这些
 
 为了准备这样的训练集，我们可以使用 pandas 中的`get_dummies()`方法将所有列转换为分类数据，因为 FM 模型使用表示为整数的分类数据。
 
-我们使用两个函数`TFFMClassifier`和`TFFMRegressor`来进行预测（参见`items.py`）并分别计算 MSE（参见来自`tffm`库的`quantity.py`脚本（在 MIT 许可下））。 `tffm`是基于 TensorFlow 的 FM 和 pandas 实现，用于预处理和结构化数据。这个基于 TensorFlow 的实现提供了一个任意顺序（`>= 2`）分解机，它支持：
+我们使用两个函数`TFFMClassifier`和`TFFMRegressor`来进行预测（参见`items.py`）并分别计算 MSE（参见来自`tffm`库的`quantity.py`脚本（在 MIT 许可下））。`tffm`是基于 TensorFlow 的 FM 和 pandas 实现，用于预处理和结构化数据。这个基于 TensorFlow 的实现提供了一个任意顺序（`>= 2`）分解机，它支持：
 
 *   密集和稀疏的输入
 *   不同的（基于梯度的）优化方法
@@ -1677,7 +1677,7 @@ model.destroy()
 
 考虑到我们使用相对较小的数据集来拟合我们的模型，  实验结果很好。正如预期的那样，如果我们可以通过项目购买和点击访问所有信息集，则更容易生成预测，但我们仍然只使用汇总类别数据获得冷启动建议的预测。
 
-既然我们已经看到客户将在每个会话中购买，那么计算两个测试集的均方误差将会很棒。 `TFFMRegressor`方法可以帮助我们解决这个问题。为此，请使用`quantity.py`脚本。
+既然我们已经看到客户将在每个会话中购买，那么计算两个测试集的均方误差将会很棒。`TFFMRegressor`方法可以帮助我们解决这个问题。为此，请使用`quantity.py`脚本。
 
 首先，问题是如果我们只能访问类别而没有历史点击/购买数据会发生什么。让我们删除`cold_start`测试集的历史点击和购买数据：