2020-08-14 17:36:32

docs/tf-1x-dl-cookbook/07.md

@@ -33,8 +33,7 @@ PCA 将 *n* 维输入数据还原为 *r* 维输入数据，其中 *r* < *n* 。
 
 *Y <sub>r</sub> = U∑ <sub>r</sub>*
 
-此处提供的代码已从以下 GitHub 链接进行改编：
-[https://github.com/eliorc/Medium/blob/master/PCA-tSNE-AE.ipynb](https://github.com/eliorc/Medium/blob/master/PCA-tSNE-AE.ipynb)
+[此处提供的代码已从以下 GitHub 链接进行改编](https://github.com/eliorc/Medium/blob/master/PCA-tSNE-AE.ipynb)
 
 # 怎么做...
 
@@ -181,10 +180,10 @@ with tf.Session() as sess:
 
 # 也可以看看
 
-*   [https://arxiv.org/abs/1404.1100](https://arxiv.org/abs/1404.1100)
-*   [http://www.cs.otago.ac.nz/cosc453/student_tutorials/principal_components.pdf](http://www.cs.otago.ac.nz/cosc453/student_tutorials/principal_components.pdf)
-*   [http://mplab.ucsd.edu/tutorials/pca.pdf](http://mplab.ucsd.edu/tutorials/pca.pdf)
-*   [http://projector.tensorflow.org/](http://projector.tensorflow.org/)
+*   <https://arxiv.org/abs/1404.1100>
+*   <http://www.cs.otago.ac.nz/cosc453/student_tutorials/principal_components.pdf>
+*   <http://mplab.ucsd.edu/tutorials/pca.pdf>
+*   <http://projector.tensorflow.org/>
 
 # k 均值聚类
 
@@ -201,7 +200,7 @@ k 均值算法以以下方式工作：
 
 # 做好准备
 
-我们将使用 TensorFlow `KmeansClustering` Estimator 类来实现 k 均值。 它在 [https://github.com/tensorflow/tensorflow/blob/r1.3/tensorflow/contrib/learn/python/learn/estimators/kmeans.py 中定义。](https://github.com/tensorflow/tensorflow/blob/r1.3/tensorflow/contrib/learn/python/learn/estimators/kmeans.py) 它创建一个模型来运行 k 均值和推理。 根据 TensorFlow 文档，一旦创建了`KmeansClustering`类对象，就可以使用以下`__init__`方法实例化该对象：
+我们将使用 TensorFlow `KmeansClustering` Estimator 类来实现 k 均值。 它在[这个链接](https://github.com/tensorflow/tensorflow/blob/r1.3/tensorflow/contrib/learn/python/learn/estimators/kmeans.py)中定义。它创建一个模型来运行 k 均值和推理。 根据 TensorFlow 文档，一旦创建了`KmeansClustering`类对象，就可以使用以下`__init__`方法实例化该对象：
 
 ```py
 __init__(

docs/tf-1x-dl-cookbook/11.md

@@ -5,7 +5,7 @@
 *   学习使用 Simple GAN 伪造 MNIST 图像
 *   学习使用 DCGAN 伪造 MNIST 图像
 *   学习使用 DCGAN 伪造名人面孔和其他数据集
-*   实现变体自编码器
+*   实现变分自编码器
 *   通过 Capsule Networks 学习击败 MNIST 的最新结果
 
 # 介绍
@@ -601,7 +601,7 @@ Example of forged celebrities with a DCGAN
 
 内容感知填充是摄影师使用的一种工具，用于填充不需要的或丢失的图像部分。 Raymond A. Yeh，Chen Chen，Teck Yian Lim，Alexander G. Schwing，Mark Hasegawa--的论文 [*具有感知和上下文损失的语义图像修复*](https://arxiv.org/abs/1607.07539) *和* 约翰逊（Minh N.）的约翰逊（Johnson），2016 年使用 DCGAN 进行图像完成，并学习如何填充部分图像。
 
-# 实现变体自编码器
+# 实现变分自编码器
 
 **变分自编码器**（**VAE**）是神经网络和贝叶斯推理两者的最佳结合。 它们是最酷的神经网络，并已成为无监督学习的流行方法之一。 它们是自编码器。 与传统的编码器和自编码器的解码器网络（请参阅第 8 章*自编码器*）一起，它们还具有其他随机层。 编码器网络之后的随机层使用高斯分布对数据进行采样，解码器网络之后的随机层使用伯努利分布对数据进行采样。 像 GAN 一样，可以使用变分自编码器根据经过训练的分布来生成图像和图形。 VAE 允许人们设置潜在的复杂先验，从而学习强大的潜在表示。