2020-08-13 23:29:08

docs/tf-1x-dl-cookbook/04.md

@@ -349,7 +349,7 @@ An example of train and test accuracy increase
 
 # 创建一个 ConvNet 对 CIFAR-10 进行分类
 
-在本食谱中，您将学习如何对从 CIFAR-10 拍摄的图像进行分类。 CIFAR-10 数据集由 10 类 60,000 张 32 x 32 彩色图像组成，每类 6,000 张图像。 有 50,000 张训练图像和 10,000 张测试图像。 下图取自 [https://www.cs.toronto.edu/~kriz/cifar.html](https://www.cs.toronto.edu/~kriz/cifar.html) ：
+在本食谱中，您将学习如何对从 CIFAR-10 拍摄的图像进行分类。 CIFAR-10 数据集由 10 类 60,000 张 32 x 32 彩色图像组成，每类 6,000 张图像。 有 50,000 张训练图像和 10,000 张测试图像。 下图取自[这里](https://www.cs.toronto.edu/~kriz/cifar.html)：
 
 ![](img/e76fb54a-9f96-476b-9727-dec2492cc2a8.png)
 
@@ -357,7 +357,7 @@ Examples of CIFAR images
 
 # 做好准备
 
-在本食谱中，我们使用`tflearn`-一个更高级别的框架-抽象了一些 TensorFlow 内部结构，使我们可以专注于深度网络的定义。 TFLearn 可从 [http://tflearn.org/](http://tflearn.org/) 获得，该代码是标准发行版的一部分。 （ [https://github.com/tflearn/tflearn/tree/master/examples](https://github.com/tflearn/tflearn/tree/master/examples) ）
+在本食谱中，我们使用`tflearn`-一个更高级别的框架-抽象了一些 TensorFlow 内部结构，使我们可以专注于深度网络的定义。 TFLearn 可从[这里](http://tflearn.org/)获得，[该代码是标准发行版的一部分](https://github.com/tflearn/tflearn/tree/master/examples)。 
 
 # 怎么做...
 
@@ -444,15 +444,15 @@ An example of Jupyter execution for CIFAR10 classification
 
 # 还有更多...
 
-要安装 TFLearn，请参阅《安装指南》（ [http://tflearn.org/installation](http://tflearn.org/installation) ），如果您想查看更多示例，可以在线获取一长串已煮熟的解决方案（ [http ：//tflearn.org/examples/](http://tflearn.org/examples/) ）。
+要安装 TFLearn，请参阅[《安装指南》](http://tflearn.org/installation)，如果您想查看更多示例，可以在线获取[一长串久经考验的解决方案](http://tflearn.org/examples/)。
 
 # 使用 VGG19 传输样式以进行图像重绘
 
-在本食谱中，您将教计算机如何绘画。 关键思想是拥有绘画模型图像，神经网络可以从该图像推断绘画风格。 然后，此样式将转移到另一张图片，并相应地重新粉刷。 该食谱是对 log0 开发的代码的修改，可以在线获取（ [https://github.com/log0/neural-style-painting/blob/master/TensorFlow%20Implementation%20of%20A%20Neural%20Algorithm% 20of％20Artistic％20Style.ipynb](https://github.com/log0/neural-style-painting/blob/master/TensorFlow%20Implementation%20of%20A%20Neural%20Algorithm%20of%20Artistic%20Style.ipynb) ）。
+在本食谱中，您将教计算机如何绘画。 关键思想是拥有绘画模型图像，神经网络可以从该图像推断绘画风格。 然后，此样式将转移到另一张图片，并相应地重新粉刷。 该食谱是对 log0 开发的代码的修改，[可以在线获取](https://github.com/log0/neural-style-painting/blob/master/TensorFlow%20Implementation%20of%20A%20Neural%20Algorithm%20of%20Artistic%20Style.ipynb)。
 
 # 做好准备
 
-我们将实现在论文[《一种艺术风格的神经算法》](https://arxiv.org/abs/1508.06576)中描述的算法，作者是 Leon A. Gatys，亚历山大 S. Ecker 和 Matthias Bethge。 因此，最好先阅读该论文（ [https://arxiv.org/abs/1508.06576](https://arxiv.org/abs/1508.06576) ）。 此食谱将重复使用在线提供的预训练模型 VGG19（ [http://www.vlfeat.org/matconvnet/models/beta16/imagenet-vgg-verydeep-19.mat](http://www.vlfeat.org/matconvnet/models/beta16/imagenet-vgg-verydeep-19.mat) ），该模型应在本地下载。 我们的风格图片将是一幅可在线获得的梵高著名画作（ [https://commons.wikimedia.org/wiki/File:VanGogh-starry_night.jpg](https://commons.wikimedia.org/wiki/File:VanGogh-starry_night.jpg) ），而我们的内容图片则是玛丽莲（Marilyn）的照片 从 Wikipedia（ [https://commons.wikimedia.org/wiki/File:Marilyn_Monroe_in_1952.jpg](https://commons.wikimedia.org/wiki/File:Marilyn_Monroe_in_1952.jpg) ）下载的梦露。 内容图像将根据梵高的样式重新粉刷。
+我们将实现在论文[《一种艺术风格的神经算法》](https://arxiv.org/abs/1508.06576)中描述的算法，作者是 Leon A. Gatys，亚历山大 S. Ecker 和 Matthias Bethge。 因此，最好先阅读[该论文](https://arxiv.org/abs/1508.06576)。 此食谱将重复使用在线提供的预训练模型 [VGG19](http://www.vlfeat.org/matconvnet/models/beta16/imagenet-vgg-verydeep-19.mat)，该模型应在本地下载。 我们的风格图片将是一幅可在线获得的[梵高著名画作](https://commons.wikimedia.org/wiki/File:VanGogh-starry_night.jpg)，而我们的内容图片则是[从维基百科下载的玛丽莲梦露的照片](https://commons.wikimedia.org/wiki/File:Marilyn_Monroe_in_1952.jpg)。 内容图像将根据梵高的样式重新绘制。
 
 # 怎么做...
 
@@ -506,7 +506,7 @@ VGG_MODEL = 'data/imagenet-vgg-verydeep-19.mat'
 content_image = scipy.misc.imread(CONTENT_IMAGE) imshow(content_image)
 ```
 
-这是前面代码的输出（请注意，此图像位于 [https://commons.wikimedia.org/wiki/File:Marilyn_Monroe_in_1952.jpg](https://commons.wikimedia.org/wiki/File:Marilyn_Monroe_in_1952.jpg) 中）：
+这是前面代码的输出（请注意，此图像位于[这个页面](https://commons.wikimedia.org/wiki/File:Marilyn_Monroe_in_1952.jpg)中）：
 
 ![](img/359c23f6-f761-4df1-9542-0234e69e01d0.png)
 
@@ -859,15 +859,15 @@ An example of style transfer
 
 自 2015 年提出原始建议以来，样式转换一直是活跃的研究领域。已经提出了许多新想法来加速计算并将样式转换扩展到视频分析。 其中有两个结果值得一提
 
-这篇文章是 Logan Engstrom [https://github.com/lengstrom/fast-style-transfer/](https://github.com/lengstrom/fast-style-transfer/) 的快速样式转换，介绍了一种非常快速的实现，该实现也可以与视频一起使用。
+这篇文章是 [Logan Engstrom](https://github.com/lengstrom/fast-style-transfer/) 的快速样式转换，介绍了一种非常快速的实现，该实现也可以与视频一起使用。
 
-通过 [https://deepart.io/](https://deepart.io/) 网站，您可以播放自己的图像，并以自己喜欢的艺术家的风格重新绘制图片。 还提供了 Android 应用程序，iPhone 应用程序和 Web 应用程序。
+通过 [deepart](https://deepart.io/) 网站，您可以播放自己的图像，并以自己喜欢的艺术家的风格重新绘制图片。 还提供了 Android 应用程序，iPhone 应用程序和 Web 应用程序。
 
 # 使用预训练的 VGG16 网络进行迁移学习
 
 在本食谱中，我们将讨论转移学习，这是一种非常强大的深度学习技术，在不同领域中都有许多应用程序。 直觉非常简单，可以用类推来解释。 假设您想学习一种新的语言，例如西班牙语，那么从另一种语言（例如英语）已经知道的内容开始可能会很有用。
 
-按照这种思路，计算机视觉研究人员现在通常使用经过预训练的 CNN 来生成新颖任务的表示形式，其中数据集可能不足以从头训练整个 CNN。 另一个常见的策略是采用经过预先训练的 ImageNet 网络，然后将整个网络微调到新颖的任务。 此处提出的示例的灵感来自 Francois Chollet 在 Keras 的著名博客文章中的灵感。 （ [https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html](https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html) ）
+按照这种思路，计算机视觉研究人员现在通常使用经过预训练的 CNN 来生成新颖任务的表示形式，其中数据集可能不足以从头训练整个 CNN。 另一个常见的策略是采用经过预先训练的 ImageNet 网络，然后将整个网络微调到新颖的任务。 此处提出的示例的灵感来自 [Francois Chollet 在 Keras 的著名博客文章](https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html)。
 
 # 做好准备
 
@@ -998,7 +998,7 @@ scores = model.predict_generator(validation_generator, nb_validation_samples/bat
 
 ＃取消冻结`model.layers`中所有较低层的图层：`layer.trainable = True`
 
-*   如果新数据集与 ImageNet 数据集非常不同，则在实践中，使用预训练模型中的权重进行初始化可能仍然很好。 在这种情况下，我们将有足够的数据和信心来调整整个网络。 可以在 [http://cs231n.github.io/transfer-learning/](http://cs231n.github.io/transfer-learning/) 在线找到更多信息。
+*   如果新数据集与 ImageNet 数据集非常不同，则在实践中，使用预训练模型中的权重进行初始化可能仍然很好。 在这种情况下，我们将有足够的数据和信心来调整整个网络。 可以在[这里](http://cs231n.github.io/transfer-learning/)在线找到更多信息。
 
 # 创建 DeepDream 网络
 
@@ -1010,7 +1010,7 @@ An example of Google Deep Dreams as seen in [https://commons.wikimedia.org/wiki/
 
 # 做好准备
 
-从网上下载预训练的 Inception 模型（ [https://github.com/martinwicke/tensorflow-tutorial/blob/master/tensorflow_inception_graph.pb](https://github.com/martinwicke/tensorflow-tutorial/blob/master/tensorflow_inception_graph.pb) ）。
+从网上下载预训练的 [Inception 模型](https://github.com/martinwicke/tensorflow-tutorial/blob/master/tensorflow_inception_graph.pb)。
 
 # 怎么做...
 
@@ -1150,7 +1150,7 @@ An example of Deep Dream transformation. One of the authors transformed into a w
 
 # 还有更多...
 
-许多网站都允许您直接玩 DeepDreaming。 我特别喜欢`DeepArt.io`（ [https://deepart.io/](https://deepart.io/) ），它允许您上传内容图像和样式图像并在云上进行学习。
+许多网站都允许您直接玩 DeepDreaming。 我特别喜欢[`DeepArt.io`](https://deepart.io/)，它允许您上传内容图像和样式图像并在云上进行学习。
 
 # 也可以看看