2021-01-15 22:04:24

new/dl-pt-workshop/2.md

@@ -511,7 +511,7 @@ EDA 流程很有用，因为它有助于开发人员发现对于定义操作过
 
     注意
 
-    请注意，只要将变量放在笔记本中单元格的末尾，Jupyter Notebook 便可以打印变量的值，而无需使用打印功能。 在任何其他编程平台或任何其他情况下，请确保使用打印功能。
+    请注意，只要将变量放在笔记本中单元格的末尾，Jupyter 笔记本便可以打印变量的值，而无需使用打印功能。 在任何其他编程平台或任何其他情况下，请确保使用打印功能。
 
     例如，打印包含异常值的结果字典的等效方法（也是最佳实践）将使用 print 语句，如下所示：`print(outliers)`。 这样，在不同的编程平台上运行时，代码将具有相同的输出。
 

new/dl-pt-workshop/3.md

@@ -106,7 +106,7 @@
 
 注意
 
-准备 DCCC 数据集的过程将在本节中进行处理，并附带简要说明。 考虑到它将是后续活动的起点，请随时打开 Jupyter Notebook 并复制此过程。
+准备 DCCC 数据集的过程将在本节中进行处理，并附带简要说明。 考虑到它将是后续活动的起点，请随时打开 Jupyter 笔记本并复制此过程。
 
 但是，在开始训练模型之前，必须处理一些关键方面。 您已经从上一章中了解了其中的大多数内容，这些内容将应用于当前数据集，并在目标特征中添加了类不平衡的修订：
 
@@ -684,8 +684,8 @@ batch_size = 100
 
     图 3.9：用于在训练集上计算模型错误率的方程式
 
-3.  从训练集误差 **A）**中减去贝叶斯误差。 保存差异，将用于进一步分析。
-4.  从验证集错误 **B）**中减去训练集错误，并保存差值。
+3.  从训练集误差`A)`中减去贝叶斯误差。 保存差异，将用于进一步分析。
+4.  从验证集错误`B)`中减去训练集错误，并保存差值。
 5.  Take the differences calculated in Steps 3 and 4 and use the following set of rules:
 
     如果在“步骤 3”中计算出的差大于在“步骤 4”中计算出的差，则该模型不适合，也称为遭受高偏差。
@@ -730,7 +730,7 @@ batch_size = 100
 
     验证设置误差（VSE）= 1 – 0.71 = 0.29
 
-    用作两组精度的值（`0.716`和`0.71`）是在*活动 3.01* ，*建立 ANN* ：
+    用作两组精度的值（`0.716`和`0.71`）是在“活动 3.01”，“建立 ANN”：
 
     高偏置= TSE – BE = 0.134
 
@@ -785,7 +785,7 @@ batch_size = 100
 
 就像您想象的那样，每次都要对模型进行重新训练是非常不切实际的，尤其是考虑到大多数深度学习模型可能需要花费很多时间进行训练（取决于您的资源）。
 
-取而代之的是，可以训练，保存和重新加载 PyTorch 中的模型，以执行进一步的训练或进行推理。 可以考虑将 PyTorch 模型中每一层的参数（权重和偏差）保存到 **state_dict** 字典中来实现。
+取而代之的是，可以训练，保存和重新加载 PyTorch 中的模型，以执行进一步的训练或进行推理。 可以考虑将 PyTorch 模型中每一层的参数（权重和偏差）保存到`state_dict`字典中来实现。
 
 此处提供了有关如何保存和加载经过训练的模型的分步指南：
 
@@ -822,7 +822,7 @@ batch_size = 100
 
     模型= load_model_checkpoint（“ checkpoint.pth”）
 
-    该函数将输入保存的模型文件（检查点）的路径作为输入。 首先，加载检查点。 接下来，使用保存在 Python 文件中的网络体系结构实例化模型。 在这里， **final_model** 指的是应该已经导入到新工作表中的 Python 文件的名称，而 **Classifier（）**指的是该文件中保存的类的名称。 该模型将具有随机初始化的参数。 最后，将来自检查点的参数加载到模型中。
+    该函数将输入保存的模型文件（检查点）的路径作为输入。 首先，加载检查点。 接下来，使用保存在 Python 文件中的网络体系结构实例化模型。 在这里， `final_model`指的是应该已经导入到新工作表中的 Python 文件的名称，而`Classifier()`指的是该文件中保存的类的名称。 该模型将具有随机初始化的参数。 最后，将来自检查点的参数加载到模型中。
 
     调用时，此函数将返回已训练的模型，该模型现在可用于进一步的训练或执行推理。
 
@@ -834,11 +834,11 @@ batch_size = 100
 
 鉴于此，PyTorch 最近提出了一种简单的方法，使用户可以享受两全其美的好处。 尽管他们可以继续使用 Pythonic 进行编程，但是现在可以将模型序列化为可以从 C ++加载和执行的表示形式，而无需依赖 Python。 这种表示称为 TorchScript。
 
-通过 PyTorch 的**即时**（**JIT**）编译器模块可以将 PyTorch 模型转换为 TorchScript。 这是通过将模型以及示例输入通过 **torch.jit.trace（）**函数传递来实现的，如下所示：
+通过 PyTorch 的**即时**（**JIT**）编译器模块可以将 PyTorch 模型转换为 TorchScript。 这是通过将模型以及示例输入通过`torch.jit.trace()`函数传递来实现的，如下所示：
 
 traced_script = torch.jit.trace（模型，示例）
 
-请记住，名为**模型**的变量应包含以前训练过的模型，而名为**示例的示例**的变量应包含希望提供给模型以便执行的功能 预测。 这将返回一个脚本模块，可以将其用作常规的 PyTorch 模块，如下所示：
+请记住，名为`model`的变量应包含以前训练过的模型，而名为`example`的变量应包含希望提供给模型以便执行的功能 预测。 这将返回一个脚本模块，可以将其用作常规的 PyTorch 模块，如下所示：
 
 预测= traced_script（输入）
 
@@ -854,9 +854,9 @@ traced_script = torch.jit.trace（模型，示例）
 
 *   **Hypertext Transfer Protocol** (**HTTP**): This is the primary means of transferring data on the web. It works using **methods**, which help to determine the way in which data is transferred. The two most commonly used methods are explained as follows:
 
-    **POST**：此方法允许您将消息中的数据从客户端（正在向 API 发出请求的 Web 浏览器或平台）发送到服务器（使用该信息运行的程序） 身体。
+    `POST`：此方法允许您将消息中的数据从客户端（正在向 API 发出请求的 Web 浏览器或平台）发送到服务器（使用该信息运行的程序） 身体。
 
-    **GET**：与 **POST** 方法相反，此方法将数据作为 URL 的一部分发送，这在发送大量数据时可能不方便。
+    `GET`：与`POST`方法相反，此方法将数据作为 URL 的一部分发送，这在发送大量数据时可能不方便。
 
 *   **Flask**：这是一个为 Python 开发的库，可让您创建 API（以及其他功能）。
 
@@ -878,7 +878,7 @@ traced_script = torch.jit.trace（模型，示例）
 
     app.config [“ DEBUG”] = True
 
-    **DEBUG** 配置在开发期间设置为 **True** ，但在生产中应设置为 **False** 。
+    `DEBUG`配置在开发期间设置为`True`，但在生产中应设置为`False`。
 
 3.  Load a previously trained model:
 
@@ -920,7 +920,7 @@ traced_script = torch.jit.trace（模型，示例）
 
     app.run（debug = True，use_reloader = False）
 
-    同样，在开发过程中，**调试**设置为 **True** 。 **use_reloader** 参数设置为**假**，以允许该应用程序在 Jupyter Notebook 上运行。 但是，不建议从 Jupyter Notebook 运行该应用程序。 这仅出于教学目的。 在现实生活中，应将 **use_reloader** 设置为 **True** ，并且应通过命令提示符实例或终端将应用程序作为 Python 文件运行。
+    同样，在开发过程中，`DEBUG`设置为`True`。 `use_reloader`参数设置为`False`，以允许该应用程序在 Jupyter 笔记本上运行。 但是，不建议从 Jupyter 笔记本运行该应用程序。 这仅出于教学目的。 在现实生活中，应将`use_reloader`设置为`True`，并且应通过命令提示符实例或终端将应用程序作为 Python 文件运行。
 
 ## 练习 3.03：创建 Web API
 
@@ -967,7 +967,7 @@ traced_script = torch.jit.trace（模型，示例）
 
     http://127.0.0.1:5000/your_name
 
-    按*输入*，然后将加载一个简单的网站，该网站应类似于以下内容：
+    按`Enter`，然后将加载一个简单的网站，该网站应类似于以下内容：
 
 ![Figure 3.12: Result from performing a request to the API ](img/B15778_03_12.jpg)
 
@@ -989,10 +989,10 @@ traced_script = torch.jit.trace（模型，示例）
 
 该活动将使用三个 Jupyter 笔记本。 首先，我们将使用上一个活动中的同一笔记本来保存最终模型。 接下来，我们将打开一个新的笔记本，该笔记本将用于加载保存的模型。 最后，将使用第三个笔记本创建 API。
 
-1.  打开用于*活动 3.02* 和*提高模型性能*的 Jupyter 笔记本。
-2.  复制包含最佳性能模型的体系结构的类，并将其保存在 Python 文件中。 确保导入 PyTorch 所需的库和模块。 将其命名为 **final_model.py** 。
-3.  在 Jupyter Notebook 中，保存性能最佳的模型。 确保保存与输入单元有关的信息以及模型参数。 将其命名为 **checkpoint.pth** 。
-4.  打开一个新的 Jupyter Notebook。
+1.  打开用于“活动 3.02”和“提高模型表现”的 Jupyter 笔记本。
+2.  复制包含最佳性能模型的体系结构的类，并将其保存在 Python 文件中。 确保导入 PyTorch 所需的库和模块。 将其命名为`final_model.py`。
+3.  在 Jupyter 笔记本中，保存性能最佳的模型。 确保保存与输入单元有关的信息以及模型参数。 将其命名为`checkpoint.pth`。
+4.  打开一个新的 Jupyter 笔记本。
 5.  导入 PyTorch 以及我们在“步骤 2”中创建的 Python 文件。
 6.  创建一个加载模型的函数。
 7.  Perform a prediction by inputting the following tensor into your model:
@@ -1012,7 +1012,7 @@ traced_script = torch.jit.trace（模型，示例）
 10.  打开一个新的 Jupyter Notebook，然后导入使用 Flask 创建 API 所需的库以及加载已保存模型的库。
 11.  初始化 Flask 应用。
 12.  定义一个函数来加载保存的模型并实例化该模型。
-13.  定义 API 的路由，使其为 **/ prediction** ，并定义方法为 **POST** 。 然后，定义将接收 **POST** 数据并将其馈送到模型以执行预测的函数。
+13.  定义 API 的路由，使其为`/prediction`，并定义方法为`POST`。 然后，定义将接收`POST`数据并将其馈送到模型以执行预测的函数。
 14.  运行 Flask 应用。
 
 运行后，该应用程序将如下所示：

new/handson-nlp-pt-1x/2.md

@@ -22,7 +22,7 @@
 
 康达安装火炬 torchvision -c pytorch
 
-要检查 PyTorch 是否正常工作，我们可以打开 Jupyter Notebook 并运行一些简单的命令：
+要检查 PyTorch 是否正常工作，我们可以打开 Jupyter 笔记本并运行一些简单的命令：
 
 1.  To define a Tensor in PyTorch, we can do the following:
 

new/pt-tut-17/17.md

@@ -152,7 +152,7 @@ tensorboard --logdir=runs
 
 ![intermediate/../../_static/img/tensorboard_first_view.png](img/8b09d6361316e495383ceedf9b8407ea.png)
 
-现在您知道如何使用 TensorBoard 了！ 但是，此示例可以在 Jupyter Notebook 中完成-TensorBoard 真正擅长的地方是创建交互式可视化。 接下来，我们将介绍其中之一，并在本教程结束时介绍更多内容。
+现在您知道如何使用 TensorBoard 了！ 但是，此示例可以在 Jupyter 笔记本中完成-TensorBoard 真正擅长的地方是创建交互式可视化。 接下来，我们将介绍其中之一，并在本教程结束时介绍更多内容。
 
 ## 3.使用 TensorBoard 检查模型]（docs / modern-java-zh /
 
@@ -345,4 +345,4 @@ for i in range(len(classes)):
 
 ![intermediate/../../_static/img/tensorboard_pr_curves.png](img/d15de2be2b754f9a4f46418764232b5e.png)
 
-这是 TensorBoard 和 PyTorch 与之集成的介绍。 当然，您可以在 Jupyter Notebook 中完成 TensorBoard 的所有操作，但是使用 TensorBoard 时，默认情况下会获得交互式的视觉效果。
\ No newline at end of file
+这是 TensorBoard 和 PyTorch 与之集成的介绍。 当然，您可以在 Jupyter 笔记本中完成 TensorBoard 的所有操作，但是使用 TensorBoard 时，默认情况下会获得交互式的视觉效果。
\ No newline at end of file

new/pt-tut-17/46.md

@@ -712,7 +712,7 @@ print(torch.ops.my_ops.warp_perspective)
 
 自然，最佳实践是仅在源代码相当短的情况下才使用`torch.utils.cpp_extension.load_inline`。
 
-请注意，如果您在 Jupyter Notebook 中使用此功能，则不应多次执行单元格的注册，因为每次执行都会注册一个新库并重新注册自定义运算符。 如果需要重新执行它，请事先重新启动笔记本的 Python 内核。
+请注意，如果您在 Jupyter 笔记本中使用此功能，则不应多次执行单元格的注册，因为每次执行都会注册一个新库并重新注册自定义运算符。 如果需要重新执行它，请事先重新启动笔记本的 Python 内核。
 
 ### 使用 Setuptools 构建] [docs / modern-java-zh /