2020-08-13 22:54:51

docs/tf-1x-dl-cookbook/02.md

@@ -298,7 +298,8 @@ learning_rate = tf.train.exponential_decay(initial_learning_rate, global_step, d
 ```py
 import tensorflow as tf
 
-*# Global parameters* DATA_FILE = 'boston_housing.csv' BATCH_SIZE = 10
+# Global parameters 
+DATA_FILE = 'boston_housing.csv' BATCH_SIZE = 10
 NUM_FEATURES = 14
 ```
 
@@ -319,7 +320,9 @@ defdata_generator(filename):
 
 ```py
 f_queue = tf.train.string_input_producer(filename)
-reader = tf.TextLineReader(skip_header_lines=1) *# Skips the first line* _, value = reader.read(f_queue)
+reader = tf.TextLineReader(skip_header_lines=1) 
+# Skips the first line
+_, value = reader.read(f_queue)
 ```
 
 4.  我们指定了数据丢失时要使用的数据。 解码`.csv`并选择我们需要的功能。 对于示例，我们选择 RM，PTRATIO 和 LSTAT：
@@ -349,9 +352,12 @@ return feature_batch, label_batch
 ```py
 def generate_data(feature_batch, label_batch):
     with tf.Session() as sess:
-        *# intialize the queue threads* coord = tf.train.Coordinator()
+        # intialize the queue threads
+        coord = tf.train.Coordinator()
         threads = tf.train.start_queue_runners(coord=coord)
-        for _ in range(5): *# Generate 5 batches* features, labels = sess.run([feature_batch, label_batch])
+        for _ in range(5): 
+            # Generate 5 batches
+            features, labels = sess.run([feature_batch, label_batch])
             print (features, "HI")
         coord.request_stop()
         coord.join(threads)
@@ -410,7 +416,8 @@ def normalize(X):
 3.  现在，我们使用 TensorFlow `contrib`数据集加载波士顿房价数据集，并将其分为`X_train`和`Y_train`。 我们可以选择在此处标准化数据：
 
 ```py
-*# Data* boston = tf.contrib.learn.datasets.load_dataset('boston')
+# Data
+boston = tf.contrib.learn.datasets.load_dataset('boston')
 X_train, Y_train = boston.data[:,5], boston.target
 #X_train = normalize(X_train)  # This step is optional here
 n_samples = len(X_train)
@@ -419,7 +426,8 @@ n_samples = len(X_train)
 4.  我们为训练数据声明 TensorFlow 占位符：
 
 ```py
-*# Placeholder for the Training Data* X = tf.placeholder(tf.float32, name='X')
+# Placeholder for the Training Data
+X = tf.placeholder(tf.float32, name='X')
 Y = tf.placeholder(tf.float32, name='Y')
 ```
 
@@ -441,29 +449,35 @@ Y_hat = X * w + b
 7.  定义`loss`功能：
 
 ```py
-*# Loss function* loss = tf.square(Y - Y_hat, name='loss')
+# Loss function
+loss = tf.square(Y - Y_hat, name='loss')
 ```
 
 8.  我们选择梯度下降优化器：
 
 ```py
-*# Gradient Descent with learning rate of 0.01 to minimize loss* optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss)
+# Gradient Descent with learning rate of 0.01 to minimize loss
+optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss)
 ```
 
 9.  声明初始化运算符：
 
 ```py
-*# Initializing Variables* init_op = tf.global_variables_initializer()
+# Initializing Variables
+init_op = tf.global_variables_initializer()
 total = []
 ```
 
 10.  现在，我们开始计算图。 我们进行了 100 个时期的训练：
 
 ```py
-*# Computation Graph* with tf.Session() as sess:
-    *# Initialize variables* sess.run(init_op)
+# Computation Graph
+with tf.Session() as sess:
+    # Initialize variables
+    sess.run(init_op)
     writer = tf.summary.FileWriter('graphs', sess.graph)
-    *# train the model for 100 epochs* for i in range(100):
+    # train the model for 100 epochs
+    for i in range(100):
         total_loss = 0
         for x,y in zip(X_train,Y_train):
             _, l = sess.run ([optimizer, loss],            feed_dict={X:x, Y:y})
@@ -479,7 +493,8 @@ total = []
 ```py
 Y_pred = X_train * w_value + b_value
 print('Done')
-*# Plot the result* plt.plot(X_train, Y_train, 'bo', label='Real Data')
+# Plot the result
+plt.plot(X_train, Y_train, 'bo', label='Real Data')
 plt.plot(X_train,Y_pred,  'r', label='Predicted Data')
 plt.legend()
 plt.show()
@@ -501,7 +516,7 @@ plt.show()
 
 ![](img/4b0030fc-dad5-4ad4-9dd7-ee47af77ad05.png)
 
-该图具有两个名称作用域节点，即**变量**和 **Variable_1** ，它们是分别表示偏差和权重的高级节点。 名为 gradient 的节点也是高级节点。 扩展节点，我们可以看到它接受了七个输入并计算了**梯度**，然后`GradientDescentOptimizer`使用了这些梯度来计算权重和偏差并应用更新：
+该图具有两个名称作用域节点，即`Variable`和`Variable_1`，它们是分别表示偏差和权重的高级节点。 名为`gradient`的节点也是高级节点。 扩展节点，我们可以看到它接受了七个输入并计算了`gradient`，然后`GradientDescentOptimizer`使用了这些梯度来计算权重和偏差并应用更新：
 
 ![](img/f9692463-d4f6-4776-b899-087b3dfbac21.png)
 
@@ -546,17 +561,22 @@ def append_bias_reshape(features,labels):
 3.  现在，我们使用 TensorFlow contrib 数据集加载波士顿房价数据集，并将其分为`X_train`和`Y_train`。 观察到这次`X_train`包含所有功能。 我们可以在此处选择对数据进行规范化，也可以使用附加偏差并为网络重塑数据：
 
 ```py
-*# Data* boston = tf.contrib.learn.datasets.load_dataset('boston')
+# Data
+boston = tf.contrib.learn.datasets.load_dataset('boston')
 X_train, Y_train = boston.data, boston.target
 X_train = normalize(X_train)
 X_train, Y_train = append_bias_reshape(X_train, Y_train)
-m = len(X_train)  *#Number of training examples* n = 13 + 1   *# Number of features + bias*
+m = len(X_train)  
+#Number of training examples
+n = 13 + 1   
+# Number of features + bias
 ```
 
 4.  声明 TensorFlow 占位符以获取训练数据。 观察`X`占位符形状的变化。
 
 ```py
-*# Placeholder for the Training Data* X = tf.placeholder(tf.float32, name='X', shape=[m,n])
+# Placeholder for the Training Data
+X = tf.placeholder(tf.float32, name='X', shape=[m,n])
 Y = tf.placeholder(tf.float32, name='Y')
 ```
 
@@ -570,25 +590,29 @@ w = tf.Variable(tf.random_normal([n,1]))
 6.  定义要用于预测的线性回归模型。 现在我们需要矩阵乘法来完成任务：
 
 ```py
-*# The Linear Regression Model* Y_hat = tf.matmul(X, w) 
+# The Linear Regression Model
+Y_hat = tf.matmul(X, w) 
 ```
 
 7.  为了更好的区分，我们定义`loss`函数：
 
 ```py
-*# Loss function* loss = tf.reduce_mean(tf.square(Y - Y_hat, name='loss'))
+# Loss function
+loss = tf.reduce_mean(tf.square(Y - Y_hat, name='loss'))
 ```
 
 8.  选择合适的优化器：
 
 ```py
-*# Gradient Descent with learning rate of 0.01 to minimize loss* optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss)
+# Gradient Descent with learning rate of 0.01 to minimize loss
+optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss)
 ```
 
 9.  定义初始化运算符：
 
 ```py
-*# Initializing Variables* init_op = tf.global_variables_initializer()
+# Initializing Variables
+init_op = tf.global_variables_initializer()
 total = []
 ```
 
@@ -596,9 +620,11 @@ total = []
 
 ```py
 with tf.Session() as sess:
-    *# Initialize variables* sess.run(init_op)
+    # Initialize variables
+    sess.run(init_op)
     writer = tf.summary.FileWriter('graphs', sess.graph)
-     *# train the model for 100 epcohs* for i in range(100):
+    # train the model for 100 epcohs
+    for i in range(100):
        _, l = sess.run([optimizer, loss], feed_dict={X: X_train, Y: Y_train})
        total.append(l)
        print('Epoch {0}: Loss {1}'.format(i, l))
@@ -638,7 +664,7 @@ print('Predicted value: ${0}  Actual value: / ${1}'.format(Y_pred[0]*1000, Y_tra
 
 此配方基于 [https://www.tensorflow.org/get_started/mnist/beginners](https://www.tensorflow.org/get_started/mnist/beginners) 提供的 MNIST 的逻辑回归，但我们将添加一些 TensorBoard 摘要以更好地理解它。 你们大多数人必须已经熟悉 MNIST 数据集-就像机器学习的 ABC 一样。 它包含手写数字的图像和每个图像的标签，说明它是哪个数字。
 
-对于逻辑回归，我们对输出 Y 使用一热编码。因此，我们有 10 位代表输出； 每个位可以具有 0 或 1 的值，并且为 1 热点意味着对于标签 Y 中的每个图像，10 个位中只有 1 个位的值为 1，其余为 0。 在这里，您可以看到手写数字 8 的图像及其热编码值 **[0 0 0 0 0 0 0 0 0 1 0]**：
+对于逻辑回归，我们对输出 Y 使用一热编码。因此，我们有 10 位代表输出； 每个位可以具有 0 或 1 的值，并且为 1 热点意味着对于标签 Y 中的每个图像，10 个位中只有 1 个位的值为 1，其余为 0。 在这里，您可以看到手写数字 8 的图像及其热编码值`[0 0 0 0 0 0 0 0 0 1 0]`：
 
 ![](img/47ba5240-9d42-4475-866b-5ab156ecbdb0.png)
 
@@ -745,11 +771,11 @@ with tf.Session() as sess:
 
 ![](img/ffe5c0f6-d355-41d1-872c-b16fd621470a.png)
 
-在[直方图]标签下，我们可以看到**权重**和**偏差**的直方图：
+在“直方图”标签下，我们可以看到**权重**和**偏置**的直方图：
 
 ![](img/eb143b58-3eea-4de2-aa9c-bad0af0c03b2.png)
 
-**权重**和**偏差**的分布如下：
+**权重**和**偏置**的分布如下：
 
 ![](img/76ebf278-276f-4f9a-afa6-eef915425f89.png)
 

docs/tf-1x-dl-cookbook/07.md

@@ -166,10 +166,13 @@ with tf.Session() as sess:
     saver.save(sess, os.path.join(LOG_DIR, 'images.ckpt'))
 
     config = projector.ProjectorConfig()
-    *# One can add multiple embeddings.* embedding = config.embeddings.add()
+    # One can add multiple embeddings.
+    embedding = config.embeddings.add()
     embedding.tensor_name = images.name
-    *# Link this tensor to its metadata file (e.g. labels).* embedding.metadata_path = metadata
-    *# Saves a config file that TensorBoard will read during startup.* projector.visualize_embeddings(tf.summary.FileWriter(LOG_DIR), config)
+    # Link this tensor to its metadata file (e.g. labels).
+    embedding.metadata_path = metadata
+    # Saves a config file that TensorBoard will read during startup.
+    projector.visualize_embeddings(tf.summary.FileWriter(LOG_DIR), config)
 ```
 
 嵌入已准备就绪，现在可以使用 TensorBoard 看到。 通过 CLI `tensorboard --logdir=log`启动 TensorBoard，在 Web 浏览器中打开 TensorBoard，然后转到 EMBEDDINGS 选项卡。 这是使用 PCA 的 TensorBoard 投影，前三个主要成分为轴：