2021-01-18 21:31:48

new/pt-tut-17/02.md

@@ -15,7 +15,7 @@ PyTorch 是基于 Python 的科学计算软件包，可实现两个广泛的目
 
 ## 本教程的目标：
 
-*   全面了解 PyTorch 的 Tensor 库和神经网络。
+*   全面了解 PyTorch 的张量库和神经网络。
 *   训练一个小型神经网络对图像进行分类
 
 注意

new/pt-tut-17/03.md

@@ -4,7 +4,7 @@
 
 张量是一种特殊的数据结构，与数组和矩阵非常相似。 在 PyTorch 中，我们使用张量对模型的输入和输出以及模型的参数进行编码。
 
-张量与 NumPy 的 ndarray 相似，除了张量可以在 GPU 或其他专用硬件上运行以加速计算。 如果您熟悉 ndarray，就可以使用 Tensor API。 如果没有，请遵循此快速 API 演练。
+张量与 NumPy 的`ndarray`相似，除了张量可以在 GPU 或其他专用硬件上运行以加速计算。 如果您熟悉`ndarray`，就可以使用张量 API。 如果没有，请遵循此快速 API 演练。
 
 ```py
 import torch
@@ -134,7 +134,7 @@ if torch.cuda.is_available():
 
 ```
 
-尝试从列表中进行一些操作。 如果您熟悉 NumPy API，则可以轻松使用 Tensor API。
+尝试从列表中进行一些操作。 如果您熟悉 NumPy API，则可以轻松使用张量 API。
 
 **类似 Numpy 的标准索引和切片**：
 
@@ -155,7 +155,7 @@ tensor([[1., 0., 1., 1.],
 
 ```
 
-**连接张量**可以使用`torch.cat`沿给定维度连接一系列张量。 另请参见[火炬堆栈](https://pytorch.org/docs/stable/generated/torch.stack.html)，这是另一个与`torch.cat`稍有不同的张量连接 op。
+**连接张量**可以使用`torch.cat`沿给定维度连接一系列张量。 另请参见[火炬堆栈](https://pytorch.org/docs/stable/generated/torch.stack.html)，这是另一个与`torch.cat`稍有不同的张量连接操作。
 
 ```py
 t1 = torch.cat([tensor, tensor, tensor], dim=1)
@@ -295,7 +295,7 @@ n: [2\. 2\. 2\. 2\. 2.]
 
 ```
 
-### 将 NumPy 数组转换为 Tensor
+### 将 NumPy 数组转换为张量
 
 ```py
 n = np.ones(5)

new/pt-tut-17/04.md

-# Torch.autograd 的简要介绍
+# `torch.autograd`的简要介绍
 
 > 原文：<https://pytorch.org/tutorials/beginner/blitz/autograd_tutorial.html#sphx-glr-beginner-blitz-autograd-tutorial-py>
 
-`torch.autograd`是 PyTorch 的自动差分引擎，可为神经网络训练提供支持。 在本节中，您将获得有关 autograd 如何帮助神经网络训练的概念性理解。
+`torch.autograd`是 PyTorch 的自动差分引擎，可为神经网络训练提供支持。 在本节中，您将获得有关 Autograd 如何帮助神经网络训练的概念性理解。
 
 ## 背景
 
@@ -12,7 +12,7 @@
 
 **正向传播**：在正向传播中，NN 对正确的输出进行最佳猜测。 它通过其每个功能运行输入数据以进行猜测。
 
-**反向传播**：在反向传播中，NN 根据其猜测中的错误调整其参数。 它通过从输出向后遍历，收集有关函数参数（*梯度*）的误差导数并使用梯度下降来优化参数来实现。 有关 backprop 的更详细的演练，请查看 3Blue1Brown 的[视频](https://www.youtube.com/watch?v=tIeHLnjs5U8)。
+**反向传播**：在反向传播中，NN 根据其猜测中的错误调整其参数。 它通过从输出向后遍历，收集有关函数参数（*梯度*）的误差导数并使用梯度下降来优化参数来实现。 有关反向传播的更详细的演练，请查看 3Blue1Brown 的[视频](https://www.youtube.com/watch?v=tIeHLnjs5U8)。
 
 ## 在 PyTorch 中的用法
 
@@ -55,7 +55,7 @@ optim.step() #gradient descent
 
 ```
 
-至此，您已经具备了训练神经网络所需的一切。 以下各节详细介绍了 autograd 的工作原理-随时跳过它们。
+至此，您已经具备了训练神经网络所需的一切。 以下各节详细介绍了 Autograd 的工作原理-随时跳过它们。
 
 * * *
 
@@ -80,17 +80,17 @@ Q = 3`a`3 - b**2
 
 ```
 
-假设`a`和`b`是神经网络的参数，`Q`是错误。 在 NN 训练中，我们想要误差 w.r.t. 参数，即
+假设`a`和`b`是神经网络的参数，`Q`是错误。 在 NN 训练中，我们想要相对于参数的误差，即
 
 \[\frac{\partial Q}{\partial a} = 9a^2\] \[\frac{\partial Q}{\partial b} = -2b\]
 
-当我们在`Q`上调用`.backward()`时，autograd 将计算这些梯度并将其存储在各个张量的`.grad`属性中。
+当我们在`Q`上调用`.backward()`时，Autograd 将计算这些梯度并将其存储在各个张量的`.grad`属性中。
 
-我们需要在`Q.backward()`中显式传递`gradient`参数，因为它是向量。 `gradient`是与`Q`形状相同的张量，它表示 Q w.r.t.的梯度。 本身，即
+我们需要在`Q.backward()`中显式传递`gradient`参数，因为它是向量。 `gradient`是与`Q`形状相同的张量，它表示`Q`相对于本身的梯度，即
 
 \[\frac{dQ}{dQ} = 1\]
 
-同样，我们也可以将 Q 聚合为一个标量，然后隐式地向后调用，例如`Q.sum().backward()`。
+同样，我们也可以将`Q`聚合为一个标量，然后隐式地向后调用，例如`Q.sum().backward()`。
 
 ```py
 external_grad = torch.tensor([1., 1.])
@@ -115,7 +115,7 @@ tensor([True, True])
 
 ```
 
-### 可选阅读-使用`autograd`的向量演算（docs / modern-java-zh /
+### 可选阅读-使用`autograd`的向量演算
 
 从数学上讲，如果您具有向量值函数\（\ vec {y} = f（\ vec {x}）\），则\（\ vec {y} \）相对于\（\ vec {x } \）是雅可比矩阵\（J \）：
 
@@ -135,9 +135,9 @@ tensor([True, True])
 
 ## 计算图
 
-从概念上讲，autograd 在由[函数](https://pytorch.org/docs/stable/autograd.html#torch.autograd.Function)对象组成的有向无环图（DAG）中记录数据（张量）和所有已执行的操作（以及由此产生的新张量）。 在此 DAG 中，叶子是输入张量，根是输出张量。 通过从根到叶跟踪此图，可以使用链规则自动计算梯度。
+从概念上讲，Autograd 在由[函数](https://pytorch.org/docs/stable/autograd.html#torch.autograd.Function)对象组成的有向无环图（DAG）中记录数据（张量）和所有已执行的操作（以及由此产生的新张量）。 在此 DAG 中，叶子是输入张量，根是输出张量。 通过从根到叶跟踪此图，可以使用链规则自动计算梯度。
 
-在前向传递中，autograd 同时执行两项操作：
+在前向传递中，Autograd 同时执行两项操作：
 
 *   运行请求的操作以计算结果张量，并且
 *   在 DAG 中维护操作的*梯度函数*。
@@ -216,14 +216,14 @@ optimizer = optim.SGD(model.fc.parameters(), lr=1e-2, momentum=0.9)
 
 请注意，尽管我们在优化器中注册了所有参数，但唯一可计算梯度的参数（因此会在梯度下降中进行更新）是分类器的权重和偏差。
 
-[torch.no_grad（）](https://pytorch.org/docs/stable/generated/torch.no_grad.html)中的上下文管理器可以使用相同的排除功能。
+[`torch.no_grad()`](https://pytorch.org/docs/stable/generated/torch.no_grad.html)中的上下文管理器可以使用相同的排除功能。
 
 * * *
 
 ## 进一步阅读：
 
 *   [原地操作&多线程 Autograd](https://pytorch.org/docs/stable/notes/autograd.html)
-*   [反向模式 autodiff](https://colab.research.google.com/drive/1VpeE6UvEPRz9HmsHh1KS0XxXjYu533EC) 的示例实现
+*   [反向模式自动微分](https://colab.research.google.com/drive/1VpeE6UvEPRz9HmsHh1KS0XxXjYu533EC) 的示例实现
 
 **脚本的总运行时间**：（0 分钟 5.184 秒）