2021-01-16 20:32:15

new/pt-tut-17/24.md

@@ -361,11 +361,11 @@ Mean of highpass_waveform: 1.8138147234170177e-11
 
 用户可能熟悉 [Kaldi](http://github.com/kaldi-asr/kaldi) （一种用于语音识别的工具包）。 `torchaudio`提供与`torchaudio.kaldi_io`中的兼容性。 实际上，它可以通过以下方式从 kaldi scp 或 ark 文件或流中读取：
 
-*   read_vec_int_ark
-*   read_vec_flt_scp
-*   read_vec_flt_arkfile /流
-*   read_mat_scp
-*   read_mat_ark
+*   `read_vec_int_ark`
+*   `read_vec_flt_scp`
+*   `read_vec_flt_arkfile`/流
+*   `read_mat_scp`
+*   `read_mat_ark`
 
 `torchaudio`为`spectrogram`，`fbank`，`mfcc`和[提供 Kaldi 兼容的转换。](#id2) resample_waveform 受益于 GPU 支持，有关更多信息，请参见[在此处](compliance.kaldi.html)。
 

new/pt-tut-17/63.md

@@ -309,7 +309,7 @@ def allreduce(send, recv):
 如您所知，如果在 GPU 上放置`model`，我们的分布式 SGD 示例将无法正常工作。 为了使用多个 GPU，让我们还进行以下修改：
 
 1.  使用`device = torch.device("cuda:{}".format(rank))`
-2.  `model = Net()` \（\ rightarrow \）`model = Net().to(device)`
+2.  `model = Net() => model = Net().to(device)`
 3.  使用`data, target = data.to(device), target.to(device)`
 
 经过上述修改，我们的模型现在可以在两个 GPU 上训练，您可以使用`watch nvidia-smi`监视其使用情况。