2020-08-05 17:34:48

docs/mastering-tf-1x-zh/ch10.md

@@ -558,7 +558,7 @@ z_log_var = tf.matmul(layer, params["w_e_z_log_var"]) +
             params["b_e_z_log_var"]
 ```
 
-1.  接下来，定义表示与`z`方差的变量相同形状的噪声分布的 epsilon 变量：
+1.  接下来，定义表示与`z`方差的变量相同形状的噪声分布的`epsilon`变量：
 
 ```py
 epsilon = tf.random_normal(tf.shape(z_log_var), 

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

@@ -14,9 +14,9 @@ TensorFlow 模型在开发环境中经过训练和验证。一旦发布，它们
 *   TensorFlow 服务
 *   安装 TF 服务
 *   保存 TF 服务的模型
-*   用 TF Serving 服务模型
+*   用 TF 服务来服务模型
 *   TF 在 Docker 容器中提供服务
-*   TF 服务于 Kubernetes
+*   Kubernetes 上的 TF 服务
 
 # 在 TensorFlow 中保存和恢复模型
 
@@ -55,7 +55,7 @@ with tf.Session() as tfs:
  ...
 ```
 
-1.  让我们重温一下[第 1 章](../Text/8.html)，TensorFlow 101 的例子，在简单的例子中保存变量的代码如下：
+1.  让我们重温一下第 1 章，TensorFlow 101 的例子，在简单的例子中保存变量的代码如下：
 
 ```py
 # Assume Linear Model y = w * x + b
@@ -275,13 +275,13 @@ $ sudo apt-get update && sudo apt-get upgrade tensorflow-model-server
 $ tensorflow-model-server
 ```
 
-1.  要连接到`tensorflow-model-server`，请使用 pip 安装 python 客户端软件包：
+1.  要连接到`tensorflow-model-server`，请使用 PIP 安装 python 客户端软件包：
 
 ```py
 $ sudo pip2 install tensorflow-serving-api
 ```
 
-TF Serving API 仅适用于 Python 2，但尚不适用于 Python 3。
+TF 服务 API 仅适用于 Python 2，但尚不适用于 Python 3。
 
 # 保存 TF 服务的模型
 
@@ -599,7 +599,7 @@ $ sudo apt-get update && sudo apt-get install docker-ce
 $ sudo systemctl enable docker
 ```
 
-1.  要以非 root 用户身份运行 Docker 或不使用`sudo`，请添加`docker`组：
+1.  要以非`root`用户身份运行 Docker 或不使用`sudo`，请添加`docker`组：
 
 ```py
 $ sudo groupadd docker
@@ -827,7 +827,7 @@ Inference error rate: 7.0%
 
 Kubernetes 是一个开源系统，用于自动化容器化应用的部署，扩展和管理。
 
-TensorFlow 模型可以扩展为使用生产环境中的 Kubernetes 集群从数百或数千个`TF Serving`服务中提供服务。 Kubernetes 集群可以在所有流行的公共云上运行，例如 GCP，AWS，Azure，以及您的本地私有云。因此，让我们直接学习安装 Kubernetes，然后在 Kubernetes Cluster 上部署 MNIST 模型。
+TensorFlow 模型可以扩展为使用生产环境中的 Kubernetes 集群从数百或数千个`TF Serving`服务中提供服务。 Kubernetes 集群可以在所有流行的公共云上运行，例如 GCP，AWS，Azure，以及您的本地私有云。因此，让我们直接学习安装 Kubernetes，然后在 Kubernetes 集群上部署 MNIST 模型。
 
 # 安装 Kubernetes
 
@@ -875,7 +875,7 @@ $ conjure-up kubernetes
 1.  从法术列表中选择`Kubernetes Core`。
 2.  从可用云列表中选择`localhost`。
 3.  从网络列表中选择`lxbr0`网桥。
-4.  提供选项的 sudo 密码：将 kubectl 和 kubefed 客户端程序下载到本地主机。
+4.  提供选项的`sudo`密码：将 kubectl 和 kubefed 客户端程序下载到本地主机。
 5.  在下一个屏幕中，它会要求选择要安装的应用。安装其余五个应用。
 
 您知道当安装期间的最终屏幕如下所示时，Kubernetes 集群已准备好进行酿造：
@@ -952,7 +952,7 @@ spec:
 #  type: LoadBalancer
 ```
 
-如果您在 AWS 或 GCP 云中运行它，则取消注释前一个文件中的`LoadBalancer`行。 由于我们在单个节点上本地运行整个集群，因此我们没有外部 LoadBalancer。
+如果您在 AWS 或 GCP 云中运行它，则取消注释前一个文件中的`LoadBalancer`行。 由于我们在单个节点上本地运行整个集群，因此我们没有外部负载均衡器。
 
 1.  创建 Kubernetes 部署和服务：
 
@@ -1075,5 +1075,5 @@ root@mnist-deployment-59dfc5df64-bb24q:~#
 
 在本章中，我们学习了如何利用 TensorFlow 服务来为生产环境中的模型提供服务。我们还学习了如何使用 TensorFlow 和 Keras 保存和恢复完整模型或选择模型。我们构建了一个 Docker 容器，并从官方 TensorFlow 服务仓库中提供了 Docker 容器中的示例 MNIST 示例代码。我们还安装了一个本地 Kubernetes 集群，并部署了 MNIST 模型，用于在 Kubernetes pod 中运行的 TensorFlow 服务。我们鼓励读者在这些例子的基础上进行尝试并尝试提供不同的模型。 TF 服务文档描述了各种选项，并提供了其他信息，使您可以进一步探索此主题。
 
-在接下来的章节中，我们将继续使用迁移学习的高级模型。 TensorFlow 仓库中提供的预训练模型是使用 TF 服务练习服务 TF 模型的最佳候选者。我们使用 Ubuntu 软件包安装了 TF Serving，但您可能希望尝试从源代码构建以优化生产环境的 TF 服务安装。
+在接下来的章节中，我们将继续使用迁移学习的高级模型。 TensorFlow 仓库中提供的预训练模型是使用 TF 服务练习服务 TF 模型的最佳候选者。我们使用 Ubuntu 软件包安装了 TF 服务，但您可能希望尝试从源代码构建以优化生产环境的 TF 服务安装。
 

docs/mastering-tf-1x-zh/ch15.md

 # 十五、使用 TensorFlow 集群的分布式模型
 
-之前我们学习了如何使用 Kubernetes，Docker 和 TensorFlow 服务在生产中大规模运行 TensorFlow 模型。 TensorFlow 服务并不是大规模运行 TensorFlow 模型的唯一方法。 TensorFlow 提供了另一种机制，不仅可以运行，还可以在多个节点或同一节点上的不同节点和不同设备上训练模型。 在[第 1 章](../Text/8.html)，TensorFlow 101 中，我们还学习了如何在不同设备上放置变量和操作。在本章中，我们将学习如何分发 TensorFlow 模型以在多个节点上的多个设备上运行。
+之前我们学习了如何使用 Kubernetes，Docker 和 TensorFlow 服务在生产中大规模运行 TensorFlow 模型。 TensorFlow 服务并不是大规模运行 TensorFlow 模型的唯一方法。 TensorFlow 提供了另一种机制，不仅可以运行，还可以在多个节点或同一节点上的不同节点和不同设备上训练模型。 在第 1 章，TensorFlow 101 中，我们还学习了如何在不同设备上放置变量和操作。在本章中，我们将学习如何分发 TensorFlow 模型以在多个节点上的多个设备上运行。
 
 在本章中，我们将介绍以下主题：