From bccc83f2761e4902d78e1f452b64bd6a3f288826 Mon Sep 17 00:00:00 2001
From: wizardforcel <562826179@qq.com>
Date: Fri, 7 Aug 2020 11:21:47 +0800
Subject: [PATCH] 2020-08-07 11:21:47

---
 docs/mastering-tf-1x-zh/ch03.md | 2 +-
 docs/mastering-tf-1x-zh/ch04.md | 2 +-
 docs/mastering-tf-1x-zh/ch08.md | 8 ++++----
 3 files changed, 6 insertions(+), 6 deletions(-)

diff --git a/docs/mastering-tf-1x-zh/ch03.md b/docs/mastering-tf-1x-zh/ch03.md
index d4a53df7..d99d5314 100644
--- a/docs/mastering-tf-1x-zh/ch03.md
+++ b/docs/mastering-tf-1x-zh/ch03.md
@@ -360,7 +360,7 @@ Keras 提供了几个补充基本工作流程的附加模块（附加函数在
 
 这就结束了我们对 Keras 的简要介绍，这是 TensorFlow 的高级框架。我们将在本书中提供使用 Keras 构建模型的示例。
 
-# MNIST 数据集的 Keras 序列模型示例
+# 用于 MNIST 数据集的 Keras 序列模型示例
 
 以下是构建简单多层感知机（在第 5 章中详细介绍）的一个小例子，用于对 MNIST 集中的手写数字进行分类：
 
diff --git a/docs/mastering-tf-1x-zh/ch04.md b/docs/mastering-tf-1x-zh/ch04.md
index ac3e84fc..b5a848d7 100644
--- a/docs/mastering-tf-1x-zh/ch04.md
+++ b/docs/mastering-tf-1x-zh/ch04.md
@@ -665,7 +665,7 @@ For test data : MSE = 30.64861488, R2 = 0.63979971
 
 ![](img/c8314797-8170-4325-b9ac-d563348c0609.png)
 
-# 使用逻辑回归的分类
+# 逻辑回归和分类
 
 最常用的分类方法是使用逻辑回归。逻辑回归是概率和线性分类器。输入是特征向量，特定类的成员的概率可以正式写成如下等式：
 
diff --git a/docs/mastering-tf-1x-zh/ch08.md b/docs/mastering-tf-1x-zh/ch08.md
index a1a0a191..8d448f67 100644
--- a/docs/mastering-tf-1x-zh/ch08.md
+++ b/docs/mastering-tf-1x-zh/ch08.md
@@ -542,7 +542,7 @@ Similar to is: was, are, has, being, busan,
 Similar to no: any, only, the, another, trinomial,
 ```
 
-# t-SNE 的单词嵌入可视化
+# t-SNE 和单词嵌入可视化
 
 让我们可视化我们在上一节中生成的单词嵌入。 t-SNE 是在二维空间中显示高维数据的最流行的方法。我们将使用 scikit-learn 库中的方法，并重用 TensorFlow 文档中给出的代码，来绘制我们刚学过的词嵌入的图形。
 
@@ -804,7 +804,7 @@ Similar to trading: rake, rubens, swapo, mlx, nahb,
 
 到目前为止，我们已经看到了如何使用 TensorFlow 及其高级库 Keras 创建单词向量或嵌入。现在让我们看看如何使用 TensorFlow 和 Keras 来学习模型并将模型应用于一些与 NLP 相关的任务的预测。
 
-# TensorFlow 和 Keras 中的 RNN 模型的文本生成
+# TensorFlow 和 Keras 中的 RNN 模型和文本生成
 
 文本生成是 NLP 中 RNN 模型的主要应用之一。针对文本序列训练 RNN 模型，然后通过提供种子文本作为输入来生成文本序列。让我们试试 text8 数据集。
 
@@ -866,7 +866,7 @@ First 5 words:  anarchism originated as a term
 
 现在让我们首先在 TensorFlow 中创建 LSTM 模型。
 
-# TensorFlow 中的 LSTM 文本生成
+# TensorFlow 中的 LSTM 和文本生成
 
 您可以在 Jupyter 笔记本`ch-08b_RNN_Text_TensorFlow`中按照本节的代码进行操作。
 
@@ -1033,7 +1033,7 @@ Epoch 999, Average loss:0.23202441136042276, Average accuracy:0.9602864583333334
 
 现在让我们在 Keras 建立相同的模型：
 
-# Keras 中的 LSTM 文本生成
+# Keras 中的 LSTM 和文本生成
 
 您可以在 Jupyter 笔记本`ch-08b_RNN_Text_Keras`中按照本节的代码进行操作。
 
-- 
GitLab