2021-01-19 11:22:02

new/pt-tut-17/08.md

@@ -2,7 +2,7 @@
 
 > 原文：<https://pytorch.org/tutorials/beginner/examples_tensor/polynomial_numpy.html#sphx-glr-beginner-examples-tensor-polynomial-numpy-py>
 
-经过训练的三阶多项式，可以通过最小化平方的欧几里得距离来预测\（y = \ sin（x）\）从\（-pi \）到\（pi \）。
+经过训练的三阶多项式，可以通过最小化平方的欧几里得距离来预测\（y = \ sin（x）\）从`-pi`到`pi`。
 
 此实现使用 numpy 手动计算正向传播，损耗和后向通过。
 

new/pt-tut-17/09.md

@@ -2,7 +2,7 @@
 
 > 原文：<https://pytorch.org/tutorials/beginner/examples_tensor/polynomial_tensor.html#sphx-glr-beginner-examples-tensor-polynomial-tensor-py>
 
-经过训练的三阶多项式，可以通过最小化平方的欧几里得距离来预测\（y = \ sin（x）\）从\（-pi \）到\（pi \）。
+经过训练的三阶多项式，可以通过最小化平方的欧几里得距离来预测\（y = \ sin（x）\）从`-pi`到`pi`。
 
 此实现使用 PyTorch 张量手动计算正向传播，损耗和后向通过。
 

new/pt-tut-17/10.md

@@ -2,7 +2,7 @@
 
 > 原文：<https://pytorch.org/tutorials/beginner/examples_autograd/polynomial_autograd.html#sphx-glr-beginner-examples-autograd-polynomial-autograd-py>
 
-经过训练的三阶多项式，可以通过最小化平方的欧几里得距离来预测\（y = \ sin（x）\）从\（-pi \）到\（pi \）。
+经过训练的三阶多项式，可以通过最小化平方的欧几里得距离来预测\（y = \ sin（x）\）从`-pi`到`pi`。
 
 此实现使用 PyTorch 张量上的运算来计算正向传播，并使用 PyTorch autograd 来计算梯度。
 

new/pt-tut-17/11.md

@@ -2,7 +2,7 @@
 
 > 原文：<https://pytorch.org/tutorials/beginner/examples_autograd/polynomial_custom_function.html#sphx-glr-beginner-examples-autograd-polynomial-custom-function-py>
 
-经过训练的三阶多项式，可以通过最小化平方的欧几里得距离来预测\（y = \ sin（x）\）从\（-pi \）到\（pi \）。 而不是将多项式写为\（y = a + bx + cx ^ 2 + dx ^ 3 \），我们将多项式写为\（y = a + b P_3（c + dx）\）其中\（P_3（x ）= rac {1} {2} \ left（5x ^ 3-3x ight）\）是三次的[勒让德多项式](https://en.wikipedia.org/wiki/Legendre_polynomials)。
+经过训练的三阶多项式，可以通过最小化平方的欧几里得距离来预测\（y = \ sin（x）\）从`-pi`到`pi`。 而不是将多项式写为\（y = a + bx + cx ^ 2 + dx ^ 3 \），我们将多项式写为\（y = a + b P_3（c + dx）\）其中\（P_3（x ）= rac {1} {2} \ left（5x ^ 3-3x ight）\）是三次的[勒让德多项式](https://en.wikipedia.org/wiki/Legendre_polynomials)。
 
 此实现使用 PyTorch 张量上的运算来计算正向传播，并使用 PyTorch autograd 来计算梯度。
 

new/pt-tut-17/12.md

@@ -2,7 +2,7 @@
 
 > 原文：<https://pytorch.org/tutorials/beginner/examples_nn/polynomial_nn.html#sphx-glr-beginner-examples-nn-polynomial-nn-py>
 
-经过训练的三阶多项式，可以通过最小化平方的欧几里得距离来预测\（y = \ sin（x）\）从\（-pi \）到\（pi \）。
+经过训练的三阶多项式，可以通过最小化平方的欧几里得距离来预测\（y = \ sin（x）\）从`-pi`到`pi`。
 
 此实现使用来自 PyTorch 的 nn 软件包来构建网络。 PyTorch autograd 使定义计算图和获取梯度变得容易，但是原始的 autograd 对于定义复杂的神经网络来说可能太低了。 这是 nn 软件包可以提供帮助的地方。 nn 包定义了一组模块，您可以将其视为神经网络层，该神经网络层从输入产生输出并且可能具有一些可训练的权重。
 

new/pt-tut-17/13.md

@@ -2,7 +2,7 @@
 
 > 原文：<https://pytorch.org/tutorials/beginner/examples_nn/polynomial_optim.html#sphx-glr-beginner-examples-nn-polynomial-optim-py>
 
-经过训练的三阶多项式，可以通过最小化平方的欧几里得距离来预测\（y = \ sin（x）\）从\（-pi \）到\（pi \）。
+经过训练的三阶多项式，可以通过最小化平方的欧几里得距离来预测\（y = \ sin（x）\）从`-pi`到`pi`。
 
 此实现使用来自 PyTorch 的 nn 软件包来构建网络。
 

new/pt-tut-17/14.md

@@ -2,7 +2,7 @@
 
 > 原文：<https://pytorch.org/tutorials/beginner/examples_nn/polynomial_module.html#sphx-glr-beginner-examples-nn-polynomial-module-py>
 
-经过训练的三阶多项式，可以通过最小化平方的欧几里得距离来预测\（y = \ sin（x）\）从\（-pi \）到\（pi \）。
+经过训练的三阶多项式，可以通过最小化平方的欧几里得距离来预测\（y = \ sin（x）\）从`-pi`到`pi`。
 
 此实现将模型定义为自定义 Module 子类。 每当您想要一个比现有模块的简单序列更复杂的模型时，都需要以这种方式定义模型。
 

new/pt-tut-17/22.md

@@ -16,7 +16,7 @@ GAN 是用于教授 DL 模型以捕获训练数据分布的框架，因此我们
 
 现在，让我们从鉴别符开始定义一些在整个教程中使用的符号。 令`x`为代表图像的数据。 \（D（x）\）是判别器网络，其输出`x`来自训练数据而不是生成器的（标量）概率。 在这里，由于我们要处理图像，因此\（D（x）\）的输入是 CHW 大小为 3x64x64 的图像。 直观地，当`x`来自训练数据时，\（D（x）\）应该为高，而当`x`来自发生器时，它应该为低。 \（D（x）\）也可以被认为是传统的二分类器。
 
-对于生成器的表示法，令`z`是从标准正态分布中采样的潜在空间向量。 \（G（z）\）表示将隐向量`z`映射到数据空间的生成器函数。 `G`的目标是估计训练数据来自（\（p_ {data} \））的分布，以便它可以从该估计分布（\（p_g \））生成假样本。
+对于生成器的表示法，令`z`是从标准正态分布中采样的潜在空间向量。 \（G（z）\）表示将隐向量`z`映射到数据空间的生成器函数。 `G`的目标是估计训练数据来自（\（p_ {data} \））的分布，以便它可以从该估计分布（`p_g`）生成假样本。
 
 因此，\（D（G（z））\）是发生器`G`的输出是真实图像的概率（标量）。 如 [Goodfellow 的论文](https://papers.nips.cc/paper/5423-generative-adversarial-nets.pdf)中所述，`D`和`G`玩一个 minimax 游戏，其中`D`试图最大化其正确分类实物和假物（\（logD（ x）\）），并且`G`尝试最小化`D`预测其输出为假的概率（\（log（1-D（G（g（x）））\））。 从本文来看，GAN 损失函数为
 

new/pt-tut-17/35.md

@@ -400,7 +400,7 @@ class Mario(Mario):
 
 #### 更新模型
 
-当 Mario 从其重播缓冲区中采样输入时，我们计算\（TD_t \）和\（TD_e \）并反向传播该损耗\（Q_ {online} \）以更新其参数\（\ theta_ {online} \）（\ （\ alpha \）是传递给`optimizer`的学习率`lr`）
+当 Mario 从其重播缓冲区中采样输入时，我们计算`TD_t`和`TD_e`并反向传播该损耗\（Q_ {online} \）以更新其参数\（\ theta_ {online} \）（\ （\ alpha \）是传递给`optimizer`的学习率`lr`）
 
 \[\theta_{online} \leftarrow \theta_{online} + \alpha \nabla(TD_e - TD_t)\]