From 943ef3c8de1f47e7d4a66d70e67cada87dbb5048 Mon Sep 17 00:00:00 2001 From: wizardforcel <562826179@qq.com> Date: Thu, 10 Sep 2020 21:58:42 +0800 Subject: [PATCH] 2020-09-10 21:58:42 --- docs/tf-20-quick-start-guide/01.md | 4 ++-- docs/tf-20-quick-start-guide/02.md | 10 +++++----- docs/tf-20-quick-start-guide/06.md | 4 ++-- docs/tf-20-quick-start-guide/08.md | 4 ++-- docs/tf-20-quick-start-guide/09.md | 4 ++-- 5 files changed, 13 insertions(+), 13 deletions(-) diff --git a/docs/tf-20-quick-start-guide/01.md b/docs/tf-20-quick-start-guide/01.md index 611c2a36..8b516da0 100644 --- a/docs/tf-20-quick-start-guide/01.md +++ b/docs/tf-20-quick-start-guide/01.md @@ -15,9 +15,9 @@ image1 = tf.zeros([7, 28, 28, 3]) # example-within-batch by height by width by 在本章中，我们将讨论以下内容： -* 审视现代 TensorFlow 生态系统 +* 现代 TensorFlow 生态系统 * 安装 TensorFlow -* 内务和急切的操作 +* 急切操作 * 提供有用的 TensorFlow 操作 # 现代 TensorFlow 生态系统 diff --git a/docs/tf-20-quick-start-guide/02.md b/docs/tf-20-quick-start-guide/02.md index a3ce86a4..69bf9863 100644 --- a/docs/tf-20-quick-start-guide/02.md +++ b/docs/tf-20-quick-start-guide/02.md @@ -9,12 +9,12 @@ 在本章中，我们将介绍以下主题： * Keras 的采用和优势 -* Keras 的功能 +* Keras 的特性 * 默认的 Keras 配置文件 * Keras 后端 -* 硬数据类型 -* 硬模型 -* 硬数据集 +* Keras 数据类型 +* Keras 模型 +* Keras 数据集 # Keras 的采用和优势 @@ -31,7 +31,7 @@ Keras 具有许多优点，其中包括： * 通过编写自定义构建块很容易扩展 * 无需导入 Keras，因为它可以作为`tensorflow.keras`获得 -# Keras 的功能 +# Keras 的特性 如果您想知道 TensorFlow 随附的 Keras 版本，请使用以下命令： diff --git a/docs/tf-20-quick-start-guide/06.md b/docs/tf-20-quick-start-guide/06.md index 8ee332e0..cd31ebef 100644 --- a/docs/tf-20-quick-start-guide/06.md +++ b/docs/tf-20-quick-start-guide/06.md @@ -24,7 +24,7 @@ * 保存，加载和重新测试模型 * 使用`.h5`格式保存和加载 NumPy 图像数据 * 加载预训练的模型 -* 使用预先训练的模型 +* 使用预训练的模型 我们将逐步开发和呈现代码片段。 这些代码段通过螺栓连接在一起，[成为存储库中的完整程序](https://github.com/PacktPublishing/Tensorflow-2.0-Quick-Start-Guide)。 @@ -301,7 +301,7 @@ hf = h5py.File('y_test.h5', 'r') y_test = np.array(hf["QuickDraw"][:]) ``` -# 使用预先训练的模型进行加载和推断 +# 使用预训练的模型进行加载和推断 经过训练的模型`'QDrawModel.h5'`已运行 25 个纪元，并且达到了 90% 以上的测试准确度，已保存在存储库中。 您已经看过此代码； 为方便起见，在此复制。 diff --git a/docs/tf-20-quick-start-guide/08.md b/docs/tf-20-quick-start-guide/08.md index bc3cf4e6..120e0ee8 100644 --- a/docs/tf-20-quick-start-guide/08.md +++ b/docs/tf-20-quick-start-guide/08.md @@ -6,14 +6,14 @@ 在本章中，我们将研究以下主题： -* 神经网络处理方式 +* 神经网络处理模式 * 循环架构 * RNN 的应用 * 我们的 RNN 示例的代码 * 建立并实例化我们的模型 * 训练和使用我们的模型 -# 神经网络处理方式 +# 神经网络处理模式 下图说明了各种神经网络处理模式： diff --git a/docs/tf-20-quick-start-guide/09.md b/docs/tf-20-quick-start-guide/09.md index d684b33e..763c9c40 100644 --- a/docs/tf-20-quick-start-guide/09.md +++ b/docs/tf-20-quick-start-guide/09.md @@ -18,9 +18,9 @@ 开发估计器模型的过程分为四个步骤： 1. 采集数据并创建数据功能 -2. 创建功能列 +2. 创建特征列 3. 实例化估计器 -4. 评估模型的性能 +4. 评估模型的表现 我们将在以下代码中举例说明这些步骤。 -- GitLab