2021-01-16 17:36:43

new/handson-nlp-pt-1x/sec1.md

@@ -4,5 +4,5 @@
 
 本节包含以下章节：
 
-*   “第 1 章” 和*机器学习和深度学习基础知识*
-*   “第 2 章” 和 *NLP 的 PyTorch 1.x 入门*
\ No newline at end of file
+*   “第 1 章”，“机器学习和深度学习基础知识”
+*   “第 2 章”，“NLP 的 PyTorch 1.x 入门”
\ No newline at end of file

new/handson-nlp-pt-1x/sec2.md

 # 第 2 部分：自然语言处理基础
 
-# 在本节中，您将学习构建**自然语言处理**（**NLP**）应用程序的基础知识。 您还将在本节中学习如何在 PyTorch 中使用各种 NLP 技术，例如单词嵌入，CBOW 和标记化。
+在本节中，您将学习构建**自然语言处理**（**NLP**）应用程序的基础知识。 您还将在本节中学习如何在 PyTorch 中使用各种 NLP 技术，例如单词嵌入，CBOW 和标记化。
 
 本节包含以下章节：
 
-*   “第 3 章” ， *NLP 和文本嵌入*
-*   “第 4 章” 和*词根和词法提取*
\ No newline at end of file
+*   “第 3 章”，“NLP 和文本嵌入”
+*   “第 4 章”，“词根和词干提取”
\ No newline at end of file

new/handson-nlp-pt-1x/sec3.md

 # 第 3 节：使用 PyTorch 1.x 的实际 NLP 应用程序
 
-在本节中，我们将使用 PyTorch 中可用的各种**自然** **语言** **处理**（**NLP**）技术来构建各种实际 -使用 PyTorch 的世界应用程序。 情感分析，文本摘要，文本分类以及使用 PyTorch 构建聊天机器人应用程序是本节将介绍的一些任务。
+在本节中，我们将使用 PyTorch 中可用的各种**自然语言处理**（**NLP**）技术来构建各种实际 -使用 PyTorch 的世界应用程序。 情感分析，文本摘要，文本分类以及使用 PyTorch 构建聊天机器人应用程序是本节将介绍的一些任务。
 
 本节包含以下章节：
 
-*   “第 5 章” 和*循环神经网络和情感分析*
-*   “第 6 章” 和*卷积神经网络用于文本分类*
-*   “第 7 章” 和*使用序列到序列神经网络的文本翻译*
-*   “第 8 章” 和*使用基于注意力的神经网络构建聊天机器人*
-*   “第 9 章” 和*未来之路*
\ No newline at end of file
+*   “第 5 章”，“循环神经网络和情感分析”
+*   “第 6 章”，“用于文本分类的卷积神经网络”
+*   “第 7 章”，“使用序列到序列神经网络的文本翻译”
+*   “第 8 章”，“使用基于注意力的神经网络构建聊天机器人”
+*   “第 9 章”，“未来之路”
\ No newline at end of file

new/pt-tut-17/27.md

@@ -4,7 +4,7 @@
 
 这是一个有关如何训练使用 [nn.Transformer](https://pytorch.org/docs/master/nn.html?highlight=nn%20transformer#torch.nn.Transformer) 模块的序列到序列模型的教程。
 
-PyTorch 1.2 版本包括一个基于纸张[的标准变压器模块。 事实证明，该变压器模型在许多序列间问题上具有较高的质量，同时具有更高的可并行性。 `nn.Transformer`模块完全依赖于注意机制（另一个最近实现为](https://arxiv.org/pdf/1706.03762.pdf) [nn.MultiheadAttention](https://pytorch.org/docs/master/nn.html?highlight=multiheadattention#torch.nn.MultiheadAttention) 的模块）来绘制输入和输出之间的全局依存关系。 `nn.Transformer`模块现已高度模块化，因此可以轻松地修改/组成单个组件（如本教程中的 [nn.TransformerEncoder](https://pytorch.org/docs/master/nn.html?highlight=nn%20transformerencoder#torch.nn.TransformerEncoder) ）。
+PyTorch 1.2 版本包括一个基于纸张[的标准转换器模块。 事实证明，该转换器模型在许多序列间问题上具有较高的质量，同时具有更高的可并行性。 `nn.Transformer`模块完全依赖于注意机制（另一个最近实现为](https://arxiv.org/pdf/1706.03762.pdf) [nn.MultiheadAttention](https://pytorch.org/docs/master/nn.html?highlight=multiheadattention#torch.nn.MultiheadAttention) 的模块）来绘制输入和输出之间的全局依存关系。 `nn.Transformer`模块现已高度模块化，因此可以轻松地修改/组成单个组件（如本教程中的 [nn.TransformerEncoder](https://pytorch.org/docs/master/nn.html?highlight=nn%20transformerencoder#torch.nn.TransformerEncoder) ）。
 
 ![../_img/transformer_architecture.jpg](img/4b79dddf1ff54b9384754144d8246d9b.png)
 
@@ -128,7 +128,7 @@ test_data = batchify(test_data, eval_batch_size)
 
 ### 生成输入序列和目标序列的函数]（docs / modern-java-zh /
 
-`get_batch()`功能为变压器模型生成输入和目标序列。 它将源数据细分为长度为`bptt`的块。 对于语言建模任务，模型需要以下单词作为`Target`。 例如，如果`bptt`值为 2，则`i` = 0 时，我们将获得以下两个变量：
+`get_batch()`功能为转换器模型生成输入和目标序列。 它将源数据细分为长度为`bptt`的块。 对于语言建模任务，模型需要以下单词作为`Target`。 例如，如果`bptt`值为 2，则`i` = 0 时，我们将获得以下两个变量：
 
 ![../_img/transformer_input_target.png](img/20ef8681366b44461cf49d1ab98ab8f2.png)
 

new/pt-tut-17/32.md

@@ -114,7 +114,7 @@ test_iter = DataLoader(test_data, batch_size=BATCH_SIZE,
 
 具体来说，我们的模型遵循此处中描述的[架构（您可以在](https://arxiv.org/abs/1409.0473)中找到注释更多的版本[）。](https://github.com/SethHWeidman/pytorch-seq2seq/blob/master/3%20-%20Neural%20Machine%20Translation%20by%20Jointly%20Learning%20to%20Align%20and%20Translate.ipynb)
 
-注意：此模型只是可用于语言翻译的示例模型； 我们选择它是因为它是任务的标准模型，而不是因为它是用于翻译的推荐模型。 如您所知，目前最先进的模型基于“变形金刚”； 您可以在上看到 PyTorch 的实现 Transformer 层[的功能； 特别是，以下模型中使用的“注意”与变压器模型中存在的多头自我注意不同。](https://pytorch.org/docs/stable/nn.html#transformer-layers)
+注意：此模型只是可用于语言翻译的示例模型； 我们选择它是因为它是任务的标准模型，而不是因为它是用于翻译的推荐模型。 如您所知，目前最先进的模型基于“变形金刚”； 您可以在上看到 PyTorch 的实现 Transformer 层[的功能； 特别是，以下模型中使用的“注意”与转换器模型中存在的多头自我注意不同。](https://pytorch.org/docs/stable/nn.html#transformer-layers)
 
 ```py
 import random

new/pt-tut-17/56.md

@@ -24,7 +24,7 @@
 
 ## 1.设置]（docs / modern-java-zh /
 
-### 1.1 安装 PyTorch 和 HuggingFace 变压器]（docs / modern-java-zh /
+### 1.1 安装 PyTorch 和 HuggingFace 转换器]（docs / modern-java-zh /
 
 要开始本教程，首先请遵循 PyTorch [（此处](https://github.com/pytorch/pytorch/#installation)）和 HuggingFace Github Repo [（此处](https://github.com/huggingface/transformers#installation)）中的安装说明。 此外，我们还将安装 [scikit-learn](https://github.com/scikit-learn/scikit-learn) 软件包，因为我们将重复使用其内置的 F1 分数计算帮助器功能。
 
@@ -118,7 +118,7 @@ python download_glue_data.py --data_dir='glue_data' --tasks='MRPC'
 
 BERT 的精神是预训练语言表示形式，然后以最小的任务相关参数微调各种任务上的深层双向表示形式，并获得最新的结果。 在本教程中，我们将专注于对预训练的 BERT 模型进行微调，以对 MRPC 任务上的语义等效句子对进行分类。
 
-要为 MRPC 任务微调预训练的 BERT 模型（HuggingFace 变压器中的`bert-base-uncased`模型），可以按照[示例](https://github.com/huggingface/transformers/tree/master/examples#mrpc)中的命令进行操作：
+要为 MRPC 任务微调预训练的 BERT 模型（HuggingFace 转换器中的`bert-base-uncased`模型），可以按照[示例](https://github.com/huggingface/transformers/tree/master/examples#mrpc)中的命令进行操作：
 
 ```py
 export GLUE_DIR=./glue_data
@@ -435,8 +435,8 @@ loaded_quantized_model = torch.jit.load("bert_traced_eager_quant.pt")
 
 ## 参考文献]（docs / modern-java-zh /
 
-[1] J.Devlin，M。Chang，K。Lee 和 K. Toutanova， [BERT：用于语言理解的深度双向变压器的预训练（2018）](https://arxiv.org/pdf/1810.04805.pdf)。
+[1] J.Devlin，M。Chang，K。Lee 和 K. Toutanova， [BERT：用于语言理解的深度双向转换器的预训练（2018）](https://arxiv.org/pdf/1810.04805.pdf)。
 
-[2] [HuggingFace 变压器](https://github.com/huggingface/transformers)。
+[2] [HuggingFace 转换器](https://github.com/huggingface/transformers)。
 
 [3] O. Zafrir，G。Boudoukh，P。Izsak 和 M. Wasserblat（2019 年）。 [Q8BERT：量化的 8 位 BERT](https://arxiv.org/pdf/1910.06188.pdf) 。
\ No newline at end of file