2021-01-22 11:34:12

new/pt-tut-17/38.md

@@ -40,7 +40,7 @@ print(torch.__version__)
 
 首先定义一个简单的`Module`。 `Module`是 PyTorch 中组成的基本单位。 它包含：
 
-1.  构造器，为调用准备模块
+1.  为调用准备模块的构造器
 2.  一组`Parameters`和子`Modules`。 这些由构造器初始化，并且可以在调用期间由模块使用。
 3.  `forward`函数。 这是调用模块时运行的代码。
 

new/pt-tut-17/42.md

@@ -13,7 +13,7 @@
 *   了解命名尺寸如何在两个关键区域实现更清晰的代码：
 
     *   广播操作
-    *   展平和展平尺寸
+    *   重塑和展开尺寸
 
 最后，我们将通过使用命名张量编写一个多头注意力模块来将其付诸实践。
 
@@ -23,12 +23,12 @@ PyTorch 中的命名张量受 [Sasha Rush](https://tech.cornell.edu/people/alexa
 
 PyTorch 现在允许张量具有命名维度； 工厂函数采用新的名称参数，该参数将名称与每个维度相关联。 这适用于大多数工厂功能，例如
 
-*   张量
-*   为空
-*   个
-*   零
-*   兰恩
-*   兰特
+*   `tensor`
+*   `empty`
+*   `ones`
+*   `zeros`
+*   `randn`
+*   `rand`
 
 这里我们用名字构造一个张量：
 

new/pt-tut-17/43.md

@@ -403,7 +403,7 @@ for (m, attrs) in old_attrs.items():
 
 *   解决 N1HW 和 NC11 张量的歧义；
 *   测试分布式训练支持；
-*   提高运营商覆盖率。
+*   提高运算符覆盖率。
 
 如果您有反馈和/或改进建议，请通过创建 [ISSUE](https://github.com/pytorch/pytorch/issues) 来通知我们。
 

new/pt-tut-17/50.md

@@ -6,7 +6,7 @@
 
 *   根据输入张量的设备，在运算符的 CPU 和 CUDA 实现之间切换。
 *   在运算符的自动微分和后端实现之间切换，这取决于是否需要自动微分处理。
-*   必要时应用自动广播以实现自动混合精度。
+*   必要时应用自动广播来实现自动混合精度。
 *   当运算符在`vmap`调用下运行时，应用批量规则。
 *   如果要跟踪导出的模型，则跟踪操作的执行。
 

new/pt-tut-17/53.md

@@ -10,7 +10,7 @@
 
 如您所见，我们只需要添加一些细微的修改即可。 特别是，我们需要
 
-1.  在功能中包装数据加载和训练，
+1.  在函数中包装数据加载和训练，
 2.  使一些网络参数可配置，
 3.  添加检查点（可选），
 4.  并定义用于模型调整的搜索空间

new/pt-tut-17/56.md

@@ -95,8 +95,8 @@ print(torch.__config__.parallel_info())
 [`gum_convert_examples_to_features`](https://github.com/huggingface/transformers/blob/master/transformers/data/processors/glue.py)函数将文本转换为输入特征：
 
 *   标记输入序列；
-*   在开头插入[CLS]；
-*   在第一句和第二句之间并在最后插入[SEP]；
+*   在开头插入`[CLS]`；
+*   在第一句和第二句之间并在最后插入`[SEP]`；
 *   生成标记类型 ID，以指示标记是属于第一序列还是第二序列。
 
 [`gum_compute_metrics`](https://github.com/huggingface/transformers/blob/master/transformers/data/processors/glue.py)函数的计算指标为 [F1 得分](https://scikit-learn.org/stable/modules/generated/sklearn.metrics.f1_score.html)，可以将其解释为精度和召回率的加权平均值，其中 F1 得分在 1 和最差处达到最佳值 得分为 0。精度和召回率对 F1 得分的相对贡献相等。