2020-08-07 17:19:27

docs/build-ml-proj-tf-zh/ch01.md

@@ -26,7 +26,7 @@ TensorFlow 的数据管理基于张量。 张量是来自数学领域的概念
 
 张量阶数表示张量的维度方面，但与矩阵阶数不同。 它表示张量所处的维数，而不是行/列或等效空间中张量扩展的精确度量。
 
-秩张量等于向量，秩张量是矩阵。 对于第二张量，您可以使用语法 t [i，j]访问任何元素。 对于三阶张量，您将需要使用 t [i，j，k]来寻址元素，依此类推。
+秩为 1 的张量等于向量，秩为 2 的张量是矩阵。 对于二阶张量，您可以使用语法`t[i, j]`访问任何元素。 对于三阶张量，您将需要使用`t[i, j, k]`来寻址元素，依此类推。
 
 在下面的示例中，我们将创建一个张量，并访问其分量之一：
 
@@ -52,7 +52,7 @@ TensorFlow 的数据管理基于张量。 张量是来自数学领域的概念
 
 TensorFlow 文档使用三种符号约定来描述张量维数：阶数，形状和维数。 下表显示了它们之间的相互关系：
 
-| 秩 | 形状 | 维度数量 | 例 |
+| 秩 | 形状 | 维度数量 | 示例 |
 | --- | --- | --- | --- |
 | 0 | `[]` | 0 | `4` |
 | 1 | `[D0]` | 1 | `[2]` |
@@ -78,7 +78,7 @@ TensorFlow 文档使用三种符号约定来描述张量维数：阶数，形状
 | `DT_INT64` | `tf.int64` | 64 位有符号整数。 |
 | `DT_UINT8` | `tf.uint8` | 8 位无符号整数。 |
 | `DT_STRING` | `tf.string` | 可变长度字节数组。 张量的每个元素都是一个字节数组。 |
-| `DT_BOOL` | `tf.bool` | 布尔。 |
+| `DT_BOOL` | `tf.bool` | 布尔值。 |
 
 ## 创建新的张量
 
@@ -653,8 +653,8 @@ TensorFlow 中的操作在您运行它们或取决于它们的输出的操作之
 
 这些是特殊函数，用于合并不同操作的值，无论是摘要的集合，还是图中的所有摘要：
 
-*   `tf.merge_summary`（输入，集合=无，名称=无）
-*   `tf.merge_all_summaries`（键=“摘要”）
+*   `tf.merge_summary(input, collection=None, name=None)`
+*   `tf.merge_all_summaries(key="summary")`
 
 最后，作为提高可读性的最后一项帮助，可视化对常数和汇总节点使用特殊的图标。 总而言之，这是节点符号表：
 
@@ -666,8 +666,8 @@ TensorFlow 中的操作在您运行它们或取决于它们的输出的操作之
 | ![Special Summary functions](img/00014.jpg) | 单个操作节点。 |
 | ![Special Summary functions](img/00015.jpg) | 一个常数。 |
 | ![Special Summary functions](img/00016.jpg) | 摘要节点。 |
-| ![Special Summary functions](img/00017.jpg) | 边缘显示操作之间的数据流。 |
-| ![Special Summary functions](img/00018.jpg) | 边缘显示操作之间的控制依赖性。 |
+| ![Special Summary functions](img/00017.jpg) | 显示操作之间的数据流的边。 |
+| ![Special Summary functions](img/00018.jpg) | 显示操作之间的控制依赖性的边。 |
 | ![Special Summary functions](img/00019.jpg) | 显示输出操作节点可以改变输入张量的参考边。 |
 
 ### 与 TensorBoard 的 GUI 交互

docs/build-ml-proj-tf-zh/ch02.md

@@ -132,7 +132,7 @@ k-nn 可以在我们的多种配置中实现，但是在本章中，我们将使
 
 在 matplotlib 站点（`http://matplotlib.org/`）中，定义为：
 
-> “ matplotlib 是一个 Python 2D 绘图库，它以各种硬拷贝格式和跨平台的交互式环境生成出版物质量的图形。”
+> matplotlib 是一个 Python 2D 绘图库，它以各种硬拷贝格式和跨平台的交互式环境生成出版物质量的图形。
 
 #### 合成样本的数据绘图
 
@@ -168,7 +168,7 @@ TensorFlow 当前未实现用于轻松生成合成数据集的方法。 因此
 
 [从其网站](http://scikit-learn.org/stable/)：
 
-> “ scikit-learn（以前为 scikits.learn）是针对 Python 编程语言的开源机器学习库。它具有各种分类，回归和聚类模型，旨在与 Python 数字和科学库 NumPy 和 SciPy 互操作。”
+> scikit-learn（以前为`scikits.learn`）是针对 Python 编程语言的开源机器学习库。它具有各种分类，回归和聚类模型，旨在与 Python 数字和科学库 NumPy 和 SciPy 互操作。
 
 在此示例中，我们将使用数据集模块，该模块处理许多众所周知的合成和现场提取的数据集的生成和加载。
 

docs/build-ml-proj-tf-zh/ch03.md

@@ -403,9 +403,9 @@ plt.plot (trX, sess.run(b) + trX * sess.run(w))
 
 当我们想快速读取并获得有关正常大小的数据文件的提示时，创建读取缓冲区和其他附加机制可能会减少开销。 这是熊猫当前的现实生活用例之一。
 
-这是[ Pandas 网站](http://pandas.pydata.org/)的摘录：
+这是 [Pandas 网站](http://pandas.pydata.org/)的摘录：
 
-> “ Pandas 是 BSD 许可的开放源代码库，为 Python 提供了高表现，易于使用的数据结构和数据分析工具。”
+> Pandas 是 BSD 许可的开放源代码库，为 Python 提供了高表现，易于使用的数据结构和数据分析工具。
 
 熊猫的主要特征如下：
 

docs/build-ml-proj-tf-zh/ch06.md

@@ -70,7 +70,7 @@
 
 正如 LeCun 在他的基础论文中所述：
 
-> “卷积网络可以看作是合成自己的特征提取器。”
+> 卷积网络可以看作是合成自己的特征提取器。
 
 卷积神经网络的这一特性是相对于以前的数据处理技术的主要优势。 我们可以非常灵活地确定已确定数据集的主要组成部分，并通过这些基本构件的组合来表示其他样本。
 

docs/build-ml-proj-tf-zh/ch07.md

@@ -373,7 +373,7 @@ plt.legend(handles=[plot_predicted, plot_test])
 
 ```
 
-# 示例 2 -- 编写音乐 “a la” Bach
+# 示例 2 -- 编写音乐“a la” Bach
 
 在此示例中，我们将使用专门针对字符序列或 char RNN 模型的循环神经网络。
 
@@ -478,7 +478,7 @@ K:G
 
 *   `tf.train.Saver.restore`：此方法恢复以前保存的变量。 主要参数如下：
     *   `session`：会话是要还原变量的位置
-    *   `save_path`：这是先前由 save 方法，对 last_checkpoint（）的调用或提供的变量先前返回的变量
+    *   `save_path`：这是先前由 save 方法，对`last_checkpoint()`的调用或提供的变量先前返回的变量
 
 ### 加载和保存的伪代码
 
@@ -525,7 +525,7 @@ for i in range (1,1000):
 
 请注意，原始 ABC 文件位于[此链接](http://www.barfly.dial.pipex.com/Goldbergs.abc)。
 
-然后，我们使用这个小程序（）。
+然后，我们使用这个小程序。
 
 对于此数据集，我们从`30`作品开始，然后生成一个随机分布的`1000`实例列表：
 

docs/build-ml-proj-tf-zh/ch08.md

@@ -18,7 +18,7 @@
 
 在 1980 年代和 1990 年代，神经网络领域一直保持沉默。 尽管付出了一些努力，但是架构非常简单，并且需要大的（通常是不可用的）机器力量来尝试更复杂的方法。
 
-1998 年左右，在 Bells 实验室中，在围绕手写校验数字分类的研究中，Ian LeCun 开始了一种新趋势，该趋势实现了所谓的“深度学习-卷积神经网络”的基础，我们已经在第 5 章，简单的前馈神经网络中对其进行了研究。
+1998 年左右，在 Bells 实验室中，在围绕手写校验数字分类的研究中，Ian LeCun 开始了一种新趋势，该趋势实现了所谓的“深度学习——卷积神经网络”的基础，我们已经在第 5 章，简单的前馈神经网络中对其进行了研究。
 
 在那些年里，SVM 和其他更严格定义的技术被用来解决这类问题，但是有关 CNN 的基础论文表明，与当时的现有方法相比，神经网络的表现可以与之媲美或更好。
 

docs/build-ml-proj-tf-zh/ch09.md

@@ -107,7 +107,7 @@ Pi 的面积比例
 
 另一个事实是，我们可以为计算生成的随机样本越多，答案就越近似。 这是在增加 GPU 数量时会给我们带来更多样本和准确率。
 
-我们做的进一步减少是我们生成（X，Y）坐标，范围从（0..1），因此随机数生成更直接。 因此，我们需要确定样本是否属于圆的唯一标准是`distance = d < 1.0`（圆的半径）。
+我们做的进一步减少是我们生成（X，Y）坐标，范围从（0..1），因此随机数生成更直接。 因此，我们需要确定样本是否属于圆的唯一标准是`distance = d < 1.0`（圆的半径）。
 
 ## 解决方案实现
 
@@ -115,7 +115,7 @@ Pi 的面积比例
 
 ### 提示
 
-注意：此方法的收敛速度非常慢，为 O（n &lt;sup class="calibre32"&gt;1/2&lt;/sup&gt; ），但由于其简单性，将作为示例。
+注意：此方法的收敛速度非常慢，为`O(n^1/2)`，但由于其简单性，将作为示例。
 
 ![Solution implementation](img/00142.jpg)