2020-08-05 10:36:34

docs/mastering-tf-1x-zh/ch01.md

@@ -963,7 +963,7 @@ os.environ['CUDA_VISIBLE_DEVICES']='0'
 config.gpu_options.per_process_gpu_memory_fraction = 0.5
 ```
 
-这将分配所有 GPU 设备的 50%的内存。
+这将分配所有 GPU 设备的 50% 的内存。
 
 *   您还可以结合上述两种策略，即只制作一个百分比，同时只让部分 GPU 对流程可见。
 *   您还可以将 TensorFlow 进程限制为仅在进程开始时获取所需的最小内存。随着进程的进一步执行，您可以设置配置选项以允许此内存的增长。
@@ -1015,7 +1015,7 @@ TensorBoard 可视化计算图结构，提供统计分析并绘制在计算图
 
 # TensorBoard 最小的例子
 
-1.  S 通过定义线性模型的变量和占位符来实现：
+1.  通过定义线性模型的变量和占位符来实现：
 
 ```py
 # Assume Linear Model y = w * x + b
@@ -1073,7 +1073,7 @@ TensorBoard 通过读取 TensorFlow 生成的日志文件来工作。因此，
 
 1.  像往常一样创建计算图。
 2.  创建摘要节点。将`tf.summary`包中的摘要操作附加到输出您要收集和分析的值的节点。
-3.  运行摘要节点以及运行模型节点。通常，您将使用便捷函数`tf.summary.merge_all()`将所有汇总节点合并到一个汇总节点中。然后执行此合并节点将基本上执行所有摘要节点。合并的摘要节点生成包含所有摘要的并集的序列化`Summary` P rotocolBuffers 对象。
+3.  运行摘要节点以及运行模型节点。通常，您将使用便捷函数`tf.summary.merge_all()`将所有汇总节点合并到一个汇总节点中。然后执行此合并节点将基本上执行所有摘要节点。合并的摘要节点生成包含所有摘要的并集的序列化`Summary` ProtocolBuffers 对象。
 
 1.  通过将`Summary` ProtocolBuffers 对象传递给`tf.summary.FileWriter`对象将事件日志写入磁盘。
 2.  启动 TensorBoard 并分析可视化数据。

docs/mastering-tf-1x-zh/ch02.md

@@ -12,7 +12,7 @@ TensorFlow 有几个高级库和接口（API），允许我们使用 TF Learn，
 
 我们将提供使用所有五个库构建 MNIST 数据集模型的示例。当我们从第 4 章开始介绍模型的细节时，不要担心理解模型的细节。
 
-您可以使用代码包中包含的 Jupyter Notebook `ch-02_TF_High_Level_Libraries`来遵循本章中的代码示例。 尝试修改笔记本中的示例以进行实验和游戏。
+您可以使用代码包中包含的 Jupyter 笔记本`ch-02_TF_High_Level_Libraries`来遵循本章中的代码示例。 尝试修改笔记本中的示例以进行实验和游戏。
 
 
 # TF Estimator - 以前的 TF 学习

docs/mastering-tf-1x-zh/ch04.md

@@ -840,7 +840,7 @@ with tf.Session() as tfs:
         plt.show()
 ```
 
-我们获得了大约 96%的相当好的准确率，原始和预测的数据图如下所示：
+我们获得了大约 96% 的相当好的准确率，原始和预测的数据图如下所示：
 
 ![](img/abc7eea6-1cdf-486e-9f34-0b571ef90b67.png)
 

docs/mastering-tf-1x-zh/ch05.md

@@ -390,7 +390,7 @@ epoch: 0049   loss = 0.668717
 accuracy=0.85720009
 ```
 
-我们看到单个神经元网络在 50 次迭代中缓慢地将损失从 8.3 降低到 0.66，最终得到几乎 85%的准确率。对于这个具体的例子，这是非常糟糕的准确率，因为这只是使用 TensorFlow 进行分类使用 MLP 的演示。
+我们看到单个神经元网络在 50 次迭代中缓慢地将损失从 8.3 降低到 0.66，最终得到几乎 85% 的准确率。对于这个具体的例子，这是非常糟糕的准确率，因为这只是使用 TensorFlow 进行分类使用 MLP 的演示。
 
 我们使用更多层和神经元运行相同的代码，并获得以下准确率：
 
@@ -644,7 +644,7 @@ dataset = dataframe.values
 dataset = dataset.astype('float32')
 ```
 
-1.  利用`datasetslib`的效用函数，我们将数据集分成测试和训练集。对于时间序列数据集，我们有一个单独的函数，不会改变观察结果，因为对于时间序列回归，我们需要维持观察的顺序。我们使用 67%的数据进行训练，33%的数据用于测试。您可能希望尝试使用不同比例的示例。
+1.  利用`datasetslib`的效用函数，我们将数据集分成测试和训练集。对于时间序列数据集，我们有一个单独的函数，不会改变观察结果，因为对于时间序列回归，我们需要维持观察的顺序。我们使用 67% 的数据进行训练，33% 的数据用于测试。您可能希望尝试使用不同比例的示例。
 
 ```py
 train,test=dsu.train_test_split(dataset,train_size=0.67)

docs/mastering-tf-1x-zh/ch11.md

@@ -530,7 +530,7 @@ error_rate = do_inference(hostport='0.0.0.0:8500',
 print('\nInference error rate: %s%%' % (error_rate * 100))
 ```
 
-我们得到差不多 7%的错误率！ （您可能会得到不同的值）：
+我们得到差不多 7% 的错误率！ （您可能会得到不同的值）：
 
 ```py
 Extracting /home/armando/datasets/mnist/train-images-idx3-ubyte.gz

docs/mastering-tf-1x-zh/ch12.md

@@ -1054,7 +1054,7 @@ Trainable params: 13,504,264
 Non-trainable params: 7,635,264
 ```
 
-我们看到近 40%的参数是冻结的和不可训练的。
+我们看到近 40% 的参数是冻结的和不可训练的。
 
 1.  接下来，训练 Keras 模型 20 个周期，批量大小为 32：