2021-01-17 17:10:45

new/dl-pt-workshop/1.md

@@ -555,7 +555,7 @@ for i in range(100):
 
     有关此活动的解决方案，请参阅第 236 页。
 
-# 摘要
+# 总结
 
 深度学习是机器学习的一个子集，其灵感来自人脑的生物结构。 它使用深度神经网络通过使用大量数据来解决复杂的数据问题。 尽管该理论是数十年前开发的，但由于硬件和软件的进步使我们能够收集和处理数百万条数据，因此该理论最近得到了使用。
 

new/dl-pt-workshop/2.md

@@ -924,7 +924,7 @@ PyTorch 的构建考虑了该领域许多开发人员的意见，其优点是可
 
 有关此活动的解决方案，请参见第 242 页。
 
-# 摘要
+# 总结
 
 产生神经网络的理论是由弗兰克·罗森布拉特（Frank Rosenblatt）于几十年前提出的。 它始于感知器的定义，感知器是受人类神经元启发的单元，其将数据作为输入以对其进行转换。 感知器背后的理论包括将权重分配给输入数据以执行计算，以便最终结果取决于结果而为一件事或另一件事。
 

new/dl-pt-workshop/3.md

@@ -944,7 +944,7 @@ prediction = traced_script(input)
 
 有关此活动的解决方案，请参阅第 257 页。
 
-# 摘要
+# 总结
 
 在涵盖了前几章的大部分理论知识之后，本章使用了一个实际案例研究来巩固我们的知识。 这样做的目的是鼓励通过动手实践来学习。
 

new/dl-pt-workshop/4.md

@@ -780,7 +780,7 @@ class CNN(nn.Module):
 
     这段代码可能需要一些时间才能运行，这就是为什么在本书的 GitHub 存储库中提供了等效的 GPU 版本解决方案的原因。
 
-# 摘要
+# 总结
 
 本章重点介绍 CNN，它由一种在计算机视觉问题上表现出色的神经网络架构组成。 我们首先说明了为何广泛使用 CNN 来处理图像数据集的主要原因，并介绍了可以通过使用它们解决的不同任务。
 

new/dl-pt-workshop/5.md

@@ -664,7 +664,7 @@ style_features = features_extractor(style_img, model, \
 
 要查看“图 5.10”的高质量彩色图像，请访问[这里](https://packt.live/2KcORcw)。
 
-# 摘要
+# 总结
 
 本章介绍了样式转换，这是当今很流行的任务，可以使用 CNN 来执行。 它包括同时获取内容图像和样式图像作为输入，并返回新创建的图像作为输出，以保留其中一个图像的内容和另一个图像的样式。 它通常用于通过将随机的常规图像与伟大艺术家的绘画相结合来赋予图像艺术外观。
 

new/dl-pt-workshop/6.md

@@ -849,7 +849,7 @@ class LSTM(nn.Module):
 
 可以在第 298 页上找到此活动的解决方案。
 
-# 摘要
+# 总结
 
 在本章中，我们讨论了 RNN。 开发这种类型的神经网络是为了解决与序列数据有关的问题。 这意味着单个实例不包含所有相关信息，因为这取决于先前实例中的信息。
 

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

@@ -586,7 +586,7 @@ make_predictions(new_sentence)
 
 图 2.22 – 最终输出
 
-# 摘要
+# 总结
 
 在本章中，我们介绍了 PyTorch 及其一些关键功能。 希望您现在对 PyTorch 与其他深度学习框架有何不同以及如何用于构建基本神经网络有了更好的了解。 尽管这些简单的示例只是冰山一角，但我们已经说明了 PyTorch 是用于 NLP 分析和学习的强大工具。
 

new/handson-nlp-pt-1x/3.md

@@ -778,7 +778,7 @@ This is a small giraffe
 
 在这里，我们可以看到我们的两种不同表示形式非常相似。 因此，虽然使用 TF-IDF 可能不会显着改变我们对给定句子或文档的表示，但可能会偏重于感兴趣的单词，从而提供更有用的表示。
 
-# 摘要
+# 总结
 
 在本章中，我们更深入地研究了词嵌入及其应用。 我们已经展示了如何使用连续词袋模型来训练它们，以及如何结合 n-gram 语言模型来更好地理解句子中词之间的关系。 然后，我们研究了将文档拆分为单独的令牌以进行轻松处理的方法，以及如何使用标记和分块来识别语音部分。 最后，我们展示了如何使用 TF-IDF 权重更好地以嵌入形式表示文档。
 

new/handson-nlp-pt-1x/4.md

@@ -390,7 +390,7 @@ lemmatize_with_pos(sentence)
 
 因为词义化需要在 WordNet 语料库中交叉引用目标词，并执行词性分析以确定词义的形式，所以如果必须使用大量词，这可能会花费大量的处理时间。 形容词 这与词干提取相反，词干提取使用详细但相对较快的算法来提取词干。 最终，与计算中的许多问题一样，这是在速度与细节之间进行权衡的问题。 在选择将这些方法中的哪一种纳入我们的深度学习流程时，要在速度和准确率之间进行权衡。 如果时间很重要，那么阻止可能是要走的路。 另一方面，如果您需要模型尽可能详细和准确，则限制词形还原可能会产生更好的模型。
 
-# 摘要
+# 总结
 
 在本章中，我们通过探讨两种方法的功能，它们的用例以及如何实现它们，详细讨论了词干提取和词形还原。 既然我们已经涵盖了深度学习和 NLP 预处理的所有基础知识，我们就可以开始从头开始训练我们自己的深度学习模型。
 

new/handson-nlp-pt-1x/5.md

@@ -754,7 +754,7 @@ curl -X GET https://sentiment-analysis-flask-api.herokuapp.com/predict -H "Conte
 
 您的应用程序现在将根据模型返回预测。 恭喜，您现在已经学会了如何从头训练 LSTM 模型，将其上传到云中以及使用它进行预测！ 展望未来，本教程有望成为您训练自己的 LSTM 模型并将其自己部署到云的基础。
 
-# 摘要
+# 总结
 
 在本章中，我们讨论了 RNN 的基础及其主要变体之一 LSTM。 然后，我们演示了如何从头开始构建自己的 RNN 并将其部署在基于云的平台 Heroku 上。 尽管 RNN 通常用于 NLP 任务的深度学习，但它们绝不是唯一适合此任务的神经网络架构。
 

new/handson-nlp-pt-1x/6.md

@@ -539,7 +539,7 @@ print（“预测类为：“ + str（pred_class））
 
 这个预测是正确的！ 我们的输入问题包含`how many`，表明该问题的答案是一个数值。 这正是我们的模型所预测的！ 您可以继续在其他可能要测试的问题上验证模型，希望能获得同样积极的结果。 祝贺您-您现在已经成功地训练了可以定义任何给定问题类别的多类 CNN。
 
-# 摘要
+# 总结
 
 在本章中，我们展示了如何使用 CNN 从 NLP 数据中学习以及如何使用 PyTorch 从头开始训练 CNN。 虽然深度学习方法与 RNN 中使用的方法有很大不同，但从概念上讲，CNN 以算法方式使用 n 语法语言模型背后的动机，以便从其邻近单词的上下文中提取有关句子中单词的隐式信息。 现在我们已经掌握了 RNN 和 CNN，我们可以开始扩展这些技术，以构建更高级的模型。
 

new/handson-nlp-pt-1x/7.md

@@ -580,7 +580,7 @@ pred = self.fc_out（output.squeeze（0））
 
 从理论上讲，我们需要为整个英语和德语中的每个单词提供几个示例，以使我们的模型真正理解其上下文和含义。 就上下文而言，我们训练中的 30,000 个英语句子仅包含 6,000 个独特单词。 据说说英语的人的平均词汇量在 20,000 到 30,000 个单词之间，这使我们了解到，要训练一个表现出色的模型，我们需要多少个例句。 这可能就是为什么最准确的翻译工具归能够访问大量语言数据的公司（例如 Google）所有的原因。
 
-# 摘要
+# 总结
 
 在本章中，我们介绍了如何从头开始构建序列到序列模型。 我们学习了如何分别对编码器和解码器组件进行编码，以及如何将它们集成到一个模型中，该模型能够将句子从一种语言翻译成另一种语言。
 

new/handson-nlp-pt-1x/8.md

@@ -1303,7 +1303,7 @@ corpus_name = "movie_corpus"
 
 虽然最好的聊天机器人是在数十亿个数据点的庞大数据集上进行训练的，但事实证明，相对较小的聊天机器人，该模型是相当有效的。 但是，基本注意力网络已不再是最新技术，在下一章中，我们将讨论 NL P 学习的一些最新发展，这些发展已使聊天机器人更加逼真。
 
-# 摘要
+# 总结
 
 在本章中，我们运用了从递归模型和序列到序列模型中学到的所有知识，并将它们与注意力机制结合起来，构建了一个可以正常工作的聊天机器人。 尽管与聊天机器人进行对话与与真实的人交谈并不太容易，但是我们可能希望通过一个更大的数据集来实现一个更加现实的聊天机器人。
 

new/handson-nlp-pt-1x/9.md

@@ -609,7 +609,7 @@ What day is it today?
 
 诸如此类的语言理解模型可能会成为 NLP 未来几年研究的主要重点之一，新论文的发布频率可能会越来越高。
 
-# 摘要
+# 总结
 
 在本章中，我们首先研究了几种最新的 NLP 语言模型。 尤其是 BERT，似乎已被广泛接受为行业标准的最新语言模型，并且 BERT 及其变体已被企业在其自己的 NLP 应用程序中广泛使用。
 

new/pt-dl-handson/1.md

@@ -585,7 +585,7 @@ array([[20.,  1.],[ 1.,  1.]], dtype=float32)
 
 ```
 
-### 摘要
+### 总结
 
 在本章中，我们了解了 PyTorch 的历史以及动态图库相对于静态图库的优缺点。 我们还浏览了人们为解决各个领域的复杂问题而提出的不同架构和模型。 我们介绍了 PyTorch 中最重要的内容：Torch 张量的内部。 张量的概念是深度学习的基础，并且对于您使用的所有深度学习框架都是通用的。
 

new/pt-dl-handson/2.md

@@ -590,7 +590,7 @@ for epoch in range(epochs):
 
 这是循环遍历批量并使用输入批量调用`net`的代码。 然后，将`net(x_)`返回的`hyp`与实际值`y_`一起传递给损失函数。 损失函数返回的错误用作叶子节点来调用`backward()`。 然后，我们调用`optimizer`的`step()`函数，该函数将更新参数。 更新之后，用户负责将梯度归零，这现在可以通过`optimizer.zero_grad()`实现。
 
-## 摘要
+## 总结
 
 在本章中，我们学习了如何以最基本的方式构建简单的神经网络，并将其转换为 PyTorch 的方式。 深度学习的基本构建模块从此处开始。 一旦知道了我们遵循的方法的方式和原因，那么我们将能够采取重大措施。 任何深度学习模型，无论大小，用法或算法如何，都可以使用我们在本章中学到的概念来构建。 因此，全面理解本章对于以后的章节至关重要。 在下一章中，我们将深入研究深度学习工作流程。
 

new/pt-dl-handson/3.md

@@ -653,7 +653,7 @@ if engine.state.iteration % self.save_interval !=0:
 
 可以使用`torch.load('checkpont_path')`加载保存的检查点。 这将为您提供具有模型和优化器的字典`objects_to_checkpoint`。
 
-## 摘要
+## 总结
 
 本章都是关于如何为深度学习开发建立基础管道的。 我们在本章中定义的系统是一种非常普遍/通用的方法，其后是不同类型的公司，但略有变化。 从这样的通用工作流程开始的好处是，随着团队/项目的发展，您可以构建一个非常复杂的工作流程。
 

new/pt-dl-handson/4.md

@@ -567,7 +567,7 @@ class SegmentationModel(nn.Module):
         return final_deconv2
 ```
 
-### 摘要
+### 总结
 
 在过去的十年中，借助人工智能，计算机视觉领域得到了显着改善。 现在，它不仅用于诸如对象检测/识别之类的传统用例，而且还用于提高图像质量，从图像/视频进行丰富的搜索，从图像/视频生成文本，3D 建模等等。
 

new/pt-dl-handson/5.md

@@ -607,7 +607,7 @@ def forward(self, buffers, transitions):
     return bundle([stack.pop() for stack in stacks])[0]
 ```
 
-## 摘要
+## 总结
 
 顺序数据是深度学习中最活跃的研究领域之一，尤其是因为自然语言数据是顺序的。 但是，顺序数据处理不仅限于此。 时间序列数据本质上是我们周围发生的一切，包括声音，其他波形等等，实际上都是顺序的。
 

new/pt-dl-handson/6.md

@@ -629,7 +629,7 @@ class ResidualBlock(nn.Module):
         return x + self.conv_block(x)
 ```
 
-## 摘要
+## 总结
 
 在本章中，我们学习了一系列全新的神经网络，这些神经网络使人工智能世界发生了翻天覆地的变化。 生成网络对我们始终很重要，但是直到最近我们才能达到人类无法比拟的准确率。 尽管有一些成功的生成网络架构，但在本章中我们仅讨论了两个最受欢迎的网络。
 

new/pt-dl-handson/7.md

@@ -448,7 +448,7 @@ def optimize_model():
 
 此算法有许多改进，例如为代理增加了想象力，以便可以更好地探索和想象其脑海中的动作，并做出更好的预测。
 
-## 摘要
+## 总结
 
 在本章中，我们学习了无监督学习的一个全新领域：强化学习。 这是一个完全不同的领域，我们在本章中仅涉及了这个主题。 我们学习了如何对问题进行措辞以进行强化学习，然后我们训练了一个模型，该模型可以看到环境提供的一些测量结果，并且可以学习如何平衡赤字。 您可以应用相同的知识来教机器人走路，驾驶汽车以及玩游戏。 这是深度学习的更多物理应用之一。
 

new/pt-dl-handson/8.md

@@ -719,7 +719,7 @@ while True:
 
 一旦我们从 RedisAI 中获得了数据，那么其他章节中的内容将相同。 RedisAI 似乎是当前市场上可用于 AI 开发人员的最有前途的生产部署系统。 它甚至还处于早期阶段，并于 4 月在 RedisConf 2019 上发布。 我们可以在不久的将来看到 RedisAI 带来的许多惊人功能，这使其成为大部分 AI 社区事实上的部署机制。
 
-## 摘要
+## 总结
 
 在本章中，我们从最简单但性能最低的方法开始，使用了三种不同的方法将 PyTorch 投入生产：使用 Flask。 然后，我们转移到 MXNet 模型服务器，这是一个预先构建的，优化的服务器实现，可以使用管理 API 进行管理。 MXNet 模型服务器对不需要太多复杂性但需要可以根据需要扩展的高效服务器实现的人很有用。