2021-01-02 15:44:17

new/adv-dl-tf2-keras/06.md

@@ -690,9 +690,9 @@ StackedGAN 的详细网络模型可以在“图 6.2.2”中看到。 为简洁
 
 ![](img/B14853_06_09.png)
 
-图 6.2.2：StackedGAN 包含编码器和 GAN 的堆栈。 对编码器进行预训练以执行分类。 `Generator[1]`，`G[1]`学会合成`f`<sub>1f</sub> 功能 假标签`y`<sub>f，</sub>和潜在代码`z`<sub>1f</sub> 。 `Generator[0]`，`G[0]`均使用这两个伪特征`f`<sub>1f 生成伪图像</sub> 和潜在代码`z`<sub>0f</sub>
+图 6.2.2：StackedGAN 包含编码器和 GAN 的堆栈。 对编码器进行预训练以执行分类。 `Generator[1]`，`G[1]`学会合成`f[1f]`功能 假标签`y[f]`和潜在代码`z[1f]`。 `Generator[0]`，`G[0]`均使用这两个伪特征`f[1f]`生成伪图像和潜在代码`z[0f]`。
 
-StackedGAN 以*编码器*开头。 它可能是训练有素的分类器，可以预测正确的标签。 可以将中间特征向量`f`<sub>1r</sub> 用于 GAN 训练。 对于 MNIST，我们可以使用基于 CNN 的分类器，类似于在“第 1 章”， *Keras 引入高级深度学习*中讨论的分类器。
+StackedGAN 以*编码器*开头。 它可能是训练有素的分类器，可以预测正确的标签。 可以将中间特征向量`f[1r]`用于 GAN 训练。 对于 MNIST，我们可以使用基于 CNN 的分类器，类似于在“第 1 章”，“Keras 高级深度学习”中讨论的分类器。
 
 “图 6.2.3”显示了*编码器*及其在`tf.keras`中的网络模型实现：
 
@@ -766,7 +766,7 @@ def build_encoder(inputs, num_labels=10, feature1_dim=256):
     return enc0, enc1 
 ```
 
-`Encoder[0]`输出`f[1r]`是我们想要的`256`维特征向量*生成器* 1 学习合成。 可以将用作`Encoder[0]`，`E[0]`的辅助输出。 训练整个*编码器*以对 MNIST 数字进行分类，即`x[r]`。 正确的标签*和* <sub>r</sub> <sub>和</sub>由`Encoder[1]`，`E[1]`。 在此过程中，学习了的中间特征集`f[1r]`，可用于`Generator[0]`训练。 当针对该编码器训练 GAN 时，下标`r`用于强调和区分真实数据与伪数据。
+`Encoder[0]`输出`f[1r]`是我们想要的`256`维特征向量*生成器* 1 学习合成。 可以将用作`Encoder[0]`，`E[0]`的辅助输出。 训练整个*编码器*以对 MNIST 数字进行分类，即`x[r]`。 正确的标签`y[r]`由`Encoder[1]`，`E[1]`。 在此过程中，学习了的中间特征集`f[1r]`，可用于`Generator[0]`训练。 当针对该编码器训练 GAN 时，下标`r`用于强调和区分真实数据与伪数据。
 
 假设*编码器*输入（`x[r]`）中间特征（`f[1r]`）和标签（`y[r]`），每个 GAN 都采用通常的区分-对抗方式进行训练。 损耗函数由“表 6.2.1”中的“公式 6.2.1”至“公式 6.2.5”给出。“公式 6.2.1”和“公式 6.2.2”是通用 GAN 的常见损耗函数。 StackedGAN 具有两个附加损失函数，即**有条件**和**熵**。
 
@@ -784,7 +784,7 @@ def build_encoder(inputs, num_labels=10, feature1_dim=256):
 
 图 6.2.4：图 6.2.3 的简化版本，仅显示![](img/B14853_06_040.png)计算中涉及的网络元素
 
-但是，条件损失函数引入了一个新问题。 发生器忽略输入噪声代码`z[i]`，仅依赖`f`<sub>i + 1</sub> 。 熵损失函数“公式 6.2.4”中的![](img/B14853_06_041.png)确保发生器不会忽略噪声代码`z[i]`。 * Q 网络*从发生器的输出中恢复噪声代码。 恢复的噪声和输入噪声之间的差异也通过 *L2* 或欧几里德距离（MSE）进行测量。
+但是，条件损失函数引入了一个新问题。 发生器忽略输入噪声代码`z[i]`，仅依赖`f[i + 1]`。 熵损失函数“公式 6.2.4”中的![](img/B14853_06_041.png)确保发生器不会忽略噪声代码`z[i]`。 * Q 网络*从发生器的输出中恢复噪声代码。 恢复的噪声和输入噪声之间的差异也通过`L2`或欧几里德距离（MSE）进行测量。
 
 “图 6.2.5”显示了![](img/B14853_06_042.png)计算中涉及的网络元素：
 
@@ -806,7 +806,7 @@ def build_encoder(inputs, num_labels=10, feature1_dim=256):
 
 图 6.2.7：Keras 中的 StackedGAN 生成器模型
 
-“列表 6.2.2”说明了构建与 *Generator* <sub>0</sub> 和 *Generator* 相对应的两个生成器（`gen0`和`gen1`）的函数。 <sub>1</sub> 。 `gen1`发生器由三层`Dense`层组成，标签为和噪声代码`z[1]`<sub>f</sub> 作为输入。 第三层生成伪造的`f[1]`<sub>f</sub> 特征。 `gen0`生成器类似于我们介绍的其他 GAN 生成器，可以使用`gan.py`中的生成器生成器实例化：
+“列表 6.2.2”说明了构建与`Generator[0]`和`Generator[1]`相对应的两个生成器（`gen0`和`gen1`）的函数。 `gen1`发生器由三层`Dense`层组成，标签为和噪声代码`z[1f]`作为输入。 第三层生成伪造的`f[1f]`特征。 `gen0`生成器类似于我们介绍的其他 GAN 生成器，可以使用`gan.py`中的生成器生成器实例化：
 
 ```py
 # gen0: feature1 + z0 to feature0 (image)

new/handson-dl-arch-py/8.md

@@ -37,11 +37,11 @@
 
 贝叶斯深度学习将预测与不确定性信息相关联。 让我们看看它是如何工作的。
 
-在我们的常规深度学习模型中，包括权重 *`w`* 和偏差 *`b`* 的参数是通过**最大似然估计**优化的 （**MLE**）：
+在我们的常规深度学习模型中，包括权重`w`和偏差`b`的参数是通过**最大似然估计**优化的 （**MLE**）：
 
-*w = argma`x[w]`logP（x，y | w）*
+`w = argmax[w] logP(x, y | w)`
 
-训练模型后，参数的每个系数（例如![](img/70cea0c9-e117-425b-b461-abf4d08ab1d1.png)）都是标量，例如 *w <sub> 1 </sub> = 1* ， *w <sub> 2 </sub> = 3* 。
+训练模型后，参数的每个系数（例如![](img/70cea0c9-e117-425b-b461-abf4d08ab1d1.png)）都是标量，例如`w[1] = 1`，`w[2] = 3`。
 
 相反，在贝叶斯学习中，每个系数都与一个分布相关联。 例如，它们可以处于高斯分布![](img/116b4a14-a219-493f-9d5d-b7991e04a81e.png)，如下图所示：
 

new/master-cv-tf-2x/2.md

@@ -46,7 +46,7 @@ LBP 模式生成的主要步骤如下：
 
 *`W[2]`= [0，1，... 1]*
 
-5.  将差数组`W[2]`乘以二项式权重 2 <sup>p</sup> ，将二进制数组`W[2]`转换​​为表示十进制数组 W <sub>的 LBP 代码 ] 3：</sub>
+5.  将差数组`W[2]`乘以二项式权重`2^p`，将二进制数组`W[2]`转换​​为表示十进制数组`W[LBP]`的代码 3：
 
 ![](img/671d8a02-d3ae-47a5-9bcf-4d71d14e6201.png)
 

new/master-cv-tf-2x/4.md

@@ -80,7 +80,7 @@ CNN 的图像过滤和处理方法包括执行多种操作，所有这些操作
 
 ![](img/d37f03a9-c3a6-4796-8ca8-0c40c106eb73.png)
 
-在上图中，在上一节输出的 5 x 5 图像上使用了 1 x 1 卷积滤波器值 1，但实际上它可以是任何数字。 在这里，我们可以看到使用 1 x 1 过滤器可以保留其高度和宽度，而深度则增加到过滤器通道的数量。 这是 1 x 1 滤波器的基本优点。 三维内核（`f`*<sub>i</sub>* ）中三个（1 x 1 x 3）单元中的每一个都与输入的相应三个单元相乘 （`A`*<sub>i</sub>* ）。 然后，将这些值与 ReLU 激活函数（`b`*<sub>i</sub>* ）一起加在一起，以形成单个元素（`Z`）：
+在上图中，在上一节输出的 5 x 5 图像上使用了 1 x 1 卷积滤波器值 1，但实际上它可以是任何数字。 在这里，我们可以看到使用 1 x 1 过滤器可以保留其高度和宽度，而深度则增加到过滤器通道的数量。 这是 1 x 1 滤波器的基本优点。 三维内核（`f[i]`）中三个（1 x 1 x 3）单元中的每一个都与输入的相应三个单元相乘 （`A[i]`）。 然后，将这些值与 ReLU 激活函数（`b[i]`）一起加在一起，以形成单个元素（`Z`）：
 
 ![](img/f772de26-1cb9-482d-9bfd-27910c641878.png)
 

new/master-cv-tf-2x/5.md

@@ -507,12 +507,12 @@ GAN 的一些实际用例如下：
 
 以下列表描述了上述方程式的元素：
 
-*   `h`<sub>[`n`]</sub> =当前节点`n`的状态嵌入
-*   `h`<sub>*ne*</sub> <sub>[`n`]</sub> =节点`n`邻域的状态嵌入 ]
-*   `x`<sub>[`n`]</sub> =节点的特征`n`
-*   `x`<sub>`e`[`n`]</sub> =节点边缘的特征`n`
-*   `x`<sub>*ne* [`n`]</sub> =节点`n`的邻域特征
-*   `o`<sub>[`n`]</sub> =节点`n`的输出
+*   `h[n]`为当前节点`n`的状态嵌入
+*   `h_ne[n]`为节点`n`邻域的状态嵌入
+*   `x[n]`为节点`n`的特征
+*   `xe[n]`为节点`n`边缘的特征
+*   `x_ne[n]`为节点`n`的邻域特征
+*   `o[n]`为节点`n`的输出
 
 如果`H`，`X`是通过堆叠所有状态和所有特征而构建的向量，则可以为 GNN 迭代状态写以下方程式：
 
@@ -530,9 +530,9 @@ GAN 的一些实际用例如下：
 
 以下列表描述了上述方程式的元素：
 
-*   `g`<sub>*θ*</sub> =滤波器参数，也可以视为卷积权重
-*   `x`=输入信号
-*   `U`=标准化图拉普拉斯![](img/747421bf-3b58-478d-aae6-1ac114dcfa84.png)的特征向量矩阵
+*   `g[θ]`为滤波器参数，也可以视为卷积权重
+*   `x`为输入信号
+*   `U`为标准化图拉普拉斯![](img/747421bf-3b58-478d-aae6-1ac114dcfa84.png)的特征向量矩阵
 
 Kipf 和 Welling（在其文章*中使用图卷积网络进行半监督分类，ICLR 2017* ）进一步简化了此方法，以解决诸如以下这样的过拟合问题：
 

new/master-cv-tf-2x/9.md

@@ -173,13 +173,13 @@ for pair in POSE_PAIRS:
 
 ![](img/d44ab73e-308f-4e9b-915c-6c0299867377.png)
 
-在这里，`K`是关节总数， *L <sub>pd</sub>* 是 FPD 的预测关节置信度图， *m <sub>ks</sub>* 是学生模型预测的`$1[$2]`关节的置信度图，而 m *<sub>kt</sub>* 是 教师模型预测的`k`<sub>th</sub> 联合。
+在这里，`K`是关节总数，`L[pd]`是 FPD 的预测关节置信度图， `m[ks]`是学生模型预测的`$1[$2]`关节的置信度图，而`m[kt]`是 教师模型预测的第`k`个联合。
 
 *   总体损失函数如下：
 
 ![](img/12c75f63-6358-4566-9007-1f3bcfbf9dec.png)
 
-此处， *L <sub>fpd</sub>* 是整体 FPD 损失函数， *L <sub>gt</sub>* 是用于地面真相注释的置信度图，而`M`是权重函数。
+此处， `L[fpd]`是整体 FPD 损失函数，`L[gt]`是用于地面真相注释的置信度图，而`M`是权重函数。
 
 *   使用前面描述的损失函数分别训练教师模型和目标模型。