2020-08-05 18:44:51

docs/mastering-tf-1x-zh/ch17.md

@@ -42,7 +42,7 @@ install_tensorflow()
 
 1.  默认情况下，安装功能会创建虚拟环境并在虚拟环境中安装`tensorflow `软件包。
 
-有四种可用的安装方法，可以使用 method 参数指定：
+有四种可用的安装方法，可以使用`method`参数指定：
 
 | | |
 | --- | --- |
@@ -73,7 +73,7 @@ We installed TensorFLow in R on Ubuntu 16.04 using the following command:
 `install_tensorflow(version="gpu") 
 `Note that the installation does not support Python 3 at the time of writing this book.
 
-1.  安装 keras 包：
+1.  安装 Keras 包：
 
 ```r
 devtools::install_github("rstudio/keras")
@@ -127,7 +127,7 @@ datasets <- tf$contrib$learn$datasets
 mnist <- datasets$mnist$read_data_sets("MNIST-data", one_hot = TRUE)
 ```
 
-数据从 TensorFlow 数据集库加载，并已标准化为[0,1]范围。
+数据从 TensorFlow 数据集库加载，并已标准化为`[0, 1]`范围。
 
 1.  定义模型：
 
@@ -181,7 +181,7 @@ Test accuracy: 0.9185
 
 太酷了！
 
-[通过此链接查找 R 中 TF Core 的更多示例](https://tensorflow.rstudio.com/tensorflow/articles/examples/)。
+[通过此链接查找 R 中 TF 核心的更多示例](https://tensorflow.rstudio.com/tensorflow/articles/examples/)。
 
 [有关`tensorflow` R 包的更多文档可以在此链接中找到](https://tensorflow.rstudio.com/tensorflow/reference/)。
 
@@ -270,7 +270,7 @@ mnist$train$x <- mnist$train$x / 255
 mnist$test$x <- mnist$test$x / 255
 ```
 
-从下载的 gzip 文件中读取数据，然后归一化以落入[0,1]范围。
+从下载的 gzip 文件中读取数据，然后归一化以落入`[0, 1]`范围。
 
 1.  定义模型：
 
@@ -366,7 +366,7 @@ y_train <- to_categorical(y_train, num_classes)
 y_test <- to_categorical(y_test, num_classes)
 ```
 
-注释是不言自明的：数据从 Keras 数据集库加载，然后转换为 2D arrray 并归一化为[0,1]范围。
+注释是不言自明的：数据从 Keras 数据集库加载，然后转换为 2D 数组并归一化为`[0, 1]`范围。
 
 1.  定义模型：
 
@@ -449,7 +449,7 @@ Test accuracy: 0.9816
 
 太酷!!
 
-[在此链接中查找更多关于 Keras in R 的示例](https://keras.rstudio.com/articles/examples/index.html)。
+[在此链接中查找更多关于 R 中的 Keras 的示例](https://keras.rstudio.com/articles/examples/index.html)。
 
 [有关 Keras R 软件包的更多文档可在此链接中找到](https://keras.rstudio.com/reference/index.html)。
 
@@ -503,7 +503,7 @@ Started TensorBoard at http://127.0.0.1:4233
 
 TensorBoard 计算图的可视化有关 R 中 TensorBoard 的更多文档，[请访问此链接](https://tensorflow.rstudio.com/tools/tensorboard.html)。
 
-# R 中的 tfruns 包
+# R 中的`tfruns`包
 
 您可以按照 Jupyter R 笔记本中的代码`ch-17d_TensorBoard_in_R`。
 
@@ -532,7 +532,7 @@ training_run('mnist_model.R')
 
 # 总结
 
-在本章中，我们学习了如何在 R 中使用 TensorFlow Core，TensorFlow Estimators 和 Keras 包来构建和训练机器学习模型。我们提供了来自 RStudio 的 MNIST 示例的演练，并提供了有关 TensorFlow 和 Keras R 软件包的进一步文档的链接。我们还学习了如何使用 R 中的可视化工具 TensorBoard。我们还介绍了一个来自 R Studio 的新工具`tfruns`，它允许您为多次运行创建报告，分析和比较它们，并在本地保存或发布它们。
+在本章中，我们学习了如何在 R 中使用 TensorFlow 核心，TensorFlow 估计器和 Keras 包来构建和训练机器学习模型。我们提供了来自 RStudio 的 MNIST 示例的演练，并提供了有关 TensorFlow 和 Keras R 软件包的进一步文档的链接。我们还学习了如何使用 R 中的可视化工具 TensorBoard。我们还介绍了一个来自 R Studio 的新工具`tfruns`，它允许您为多次运行创建报告，分析和比较它们，并在本地保存或发布它们。
 
 直接在 R 中工作的能力很有用，因为大量的生产数据科学和机器学习代码是使用 R 编写的，现在您可以将 TensorFlow 集成到相同的代码库中并在 R 环境中运行它。