2020-08-05 21:32:00

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

@@ -12,11 +12,11 @@ TensorFlow 是 Google 最近发布的新的机器学习和图计算库。 其 Py
 
 ## TensorFlow 主页
 
-首先，什么是 TensorFlow？ TensorFlow 是 Google 推出的新的机器学习库。 它被设计为非常易于使用且非常快。 如果您访问[ TensorFlow 网站](http://tensorflow.org)，则可以访问有关 TensorFlow 是什么以及如何使用的大量信息。 我们将经常提到这一点，特别是文档。
+首先，什么是 TensorFlow？ TensorFlow 是 Google 推出的新的机器学习库。 它被设计为非常易于使用且非常快。 如果您访问 [TensorFlow 网站](http://tensorflow.org)，则可以访问有关 TensorFlow 是什么以及如何使用的大量信息。 我们将经常提到这一点，特别是文档。
 
 ## TensorFlow 安装页面
 
-在我们开始使用 TensorFlow 之前，请注意，您需要先安装它，因为它可能尚未预先安装在您的操作系统上。 因此，如果转到 TensorFlow 网页上的“安装”选项卡，单击在 Ubuntu 上安装 TensorFlow，然后单击“本机” pip，您将学习如何安装 TensorFlow。
+在我们开始使用 TensorFlow 之前，请注意，您需要先安装它，因为它可能尚未预先安装在您的操作系统上。 因此，如果转到 TensorFlow 网页上的“安装”选项卡，单击在 Ubuntu 上安装 TensorFlow，然后单击“本机 PIP”，您将学习如何安装 TensorFlow。
 
 ![TensorFlow – the installation page](img/00002.jpg)
 
@@ -395,7 +395,7 @@ William H. Greene 的《计量经济学分析》（Pearson）于 2012 年出版
 
 ## 准备数据
 
-在 TensorFlow 中实现逻辑回归非常容易，并将作为更复杂的机器学习算法的基础。 首先，我们需要将整数标签转换为单格式。 这意味着，不是将字体类标记为 2，而是将标签转换为[0，0，1，0，0]。 也就是说，我们将`1`放在第二个位置（注意，向上计数在计算机科学中很常见），而`0`则放在其他位置。 这是我们的`to_onehot`函数的代码：
+在 TensorFlow 中实现逻辑回归非常容易，并将作为更复杂的机器学习算法的基础。 首先，我们需要将整数标签转换为单格式。 这意味着，不是将字体类标记为 2，而是将标签转换为`[0, 0, 1, 0, 0]`。 也就是说，我们将`1`放在第二个位置（注意，向上计数在计算机科学中很常见），而`0`则放在其他位置。 这是我们的`to_onehot`函数的代码：
 
 ```py
 def to_onehot(labels,nclasses = 5):

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

@@ -143,7 +143,7 @@ except ImportError:
     b1 = tf.Variable(tf.constant(0.1,shape=[num_hidden]))
     ```
 
-3.  The way we compute the activation function of the weighted sum is with the single `h1` line; this is to multiply our input pixels by their respective weights for each neuron:
+3.  我们计算加权和的激活函数的方法是使用单行`h1`。 这是将我们的输入像素乘以每个神经元各自的权重：
 
     ```py
     h1 = tf.sigmoid(tf.matmul(x,W1) + b1)
@@ -153,7 +153,7 @@ except ImportError:
 
     ![Exploring the single hidden layer model](img/00028.jpg)
 
-4.  Now it's just your friendly logistic regression again; you already know what to do. These newly computed 128 features need their own set of weights and biases to compute a score on the output class, that's `W2` and `b2`, respectively. Note how the shape matches the shape of the neurons 128, and the number of the output class is `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],

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

@@ -276,19 +276,19 @@ TensorFlow 不断更新。 尽管它不是 Google 的正式产品，但它还是
 
 最后，无论大小，其他公司都在使用 TensorFlow。 现在您是 TensorFlow 的从业人员，唯一的限制就是您可能遇到的问题和您的计算资源。 以下是一些有关 TensorFlow 下一步可以解决的问题的想法：
 
-*   Leaf classification from images:
+*   图像中的叶子分类：
 
     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？
 
-*   Road sign identification with dashcam video:
+*   带有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？
 
-*   Transportation research predicting travel times:
+*   预测出行时间的运输研究：
 
     此外，无论您的工作距离有多近，通勤时间都太长。 在交通和天气等当前条件下，您应该能够建立基于回归的模型来预测您的旅行时间。
 
-*   Matching algorithm, as for finding a compatible date:
+*   用于查找兼容日期的匹配算法：
 
     最后，一家初创公司正在探索使用 TensorFlow 来寻找匹配算法。 如果将来算法会给您带来一个约会，请不要感到惊讶。