2021-01-20 21:07:33

new/pt-tut-17/31.md

@@ -48,7 +48,7 @@ device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
 
 ## 定义模型
 
-该模型由 [EmbeddingBag](https://pytorch.org/docs/stable/nn.html?highlight=embeddingbag#torch.nn.EmbeddingBag) 层和线性层组成（请参见下图）。 `nn.EmbeddingBag`计算嵌入“袋”的平均值。 此处的文本条目具有不同的长度。 `nn.EmbeddingBag`此处不需要填充，因为文本长度以偏移量保存。
+该模型由[`EmbeddingBag`](https://pytorch.org/docs/stable/nn.html?highlight=embeddingbag#torch.nn.EmbeddingBag)层和线性层组成（请参见下图）。 `nn.EmbeddingBag`计算嵌入“袋”的平均值。 此处的文本条目具有不同的长度。 `nn.EmbeddingBag`此处不需要填充，因为文本长度以偏移量保存。
 
 另外，由于`nn.EmbeddingBag`会动态累积嵌入中的平均值，因此`nn.EmbeddingBag`可以提高性能和存储效率，以处理张量序列。
 
@@ -121,7 +121,7 @@ def generate_batch(batch):
 
 ## 定义函数以训练模型并评估结果。
 
-建议 PyTorch 用户使用[`torch.utils.data.DataLoader`](https://pytorch.org/docs/stable/data.html?highlight=dataloader#torch.utils.data.DataLoader)，它可以轻松地并行加载数据（教程为[，此处为](https://pytorch.org/tutorials/beginner/data_loading_tutorial.html)）。 我们在此处使用`DataLoader`加载`AG_NEWS`数据集，并将其发送到模型以进行训练/验证。
+建议 PyTorch 用户使用[`torch.utils.data.DataLoader`](https://pytorch.org/docs/stable/data.html?highlight=dataloader#torch.utils.data.DataLoader)，它可以轻松地并行加载数据（[教程在这里](https://pytorch.org/tutorials/beginner/data_loading_tutorial.html)）。 我们在此处使用`DataLoader`加载`AG_NEWS`数据集，并将其发送到模型以进行训练/验证。
 
 ```py
 from torch.utils.data import DataLoader
@@ -166,9 +166,9 @@ def test(data_):
 
 ## 分割数据集并运行模型
 
-由于原始的`AG_NEWS`没有有效的数据集，因此我们将训练数据集分为训练/有效集，其分割比率为 0.95（训练）和 0.05（有效）。 在这里，我们在 PyTorch 核心库中使用 [torch.utils.data.dataset.random_split](https://pytorch.org/docs/stable/data.html?highlight=random_split#torch.utils.data.random_split) 函数。
+由于原始的`AG_NEWS`没有有效的数据集，因此我们将训练数据集分为训练/有效集，其分割比率为 0.95（训练）和 0.05（有效）。 在这里，我们在 PyTorch 核心库中使用[`torch.utils.data.dataset.random_split`](https://pytorch.org/docs/stable/data.html?highlight=random_split#torch.utils.data.random_split)函数。
 
-[CrossEntropyLoss](https://pytorch.org/docs/stable/nn.html?highlight=crossentropyloss#torch.nn.CrossEntropyLoss) 标准将`nn.LogSoftmax()`和`nn.NLLLoss()`合并到一个类中。 在训练带有`C`类的分类问题时很有用。 [`SGD`](https://pytorch.org/docs/stable/_modules/torch/optim/sgd.html)实现了随机梯度下降方法作为优化程序。 初始学习率设置为 4.0。 [`StepLR`](https://pytorch.org/docs/master/_modules/torch/optim/lr_scheduler.html#StepLR)在此处用于通过历时调整学习率。
+[`CrossEntropyLoss`](https://pytorch.org/docs/stable/nn.html?highlight=crossentropyloss#torch.nn.CrossEntropyLoss)标准将`nn.LogSoftmax()`和`nn.NLLLoss()`合并到一个类中。 在训练带有`C`类的分类问题时很有用。 [`SGD`](https://pytorch.org/docs/stable/_modules/torch/optim/sgd.html)实现了随机梯度下降方法作为优化程序。 初始学习率设置为 4.0。 [`StepLR`](https://pytorch.org/docs/master/_modules/torch/optim/lr_scheduler.html#StepLR)在此处用于通过历时调整学习率。
 
 ```py
 import time
@@ -289,7 +289,7 @@ Loss: 0.0237(test)      |       Acc: 90.5%(test)
 
 ## 测试随机新闻
 
-使用到目前为止最好的模型并测试高尔夫新闻。 标签信息在中可用[。](https://pytorch.org/text/datasets.html?highlight=ag_news#torchtext.datasets.AG_NEWS)
+使用到目前为止最好的模型并测试高尔夫新闻。 标签信息在[这里](https://pytorch.org/text/datasets.html?highlight=ag_news#torchtext.datasets.AG_NEWS)。
 
 ```py
 import re
@@ -337,7 +337,7 @@ This is a Sports news
 
 这是体育新闻
 
-您可以在此处找到本说明[中显示的代码示例。](https://github.com/pytorch/text/tree/master/examples/text_classification)
+[您可以在此处找到本说明中显示的代码示例](https://github.com/pytorch/text/tree/master/examples/text_classification)。
 
 **脚本的总运行时间**：（1 分 38.483 秒）
 

new/pt-tut-17/32.md

@@ -6,13 +6,13 @@
 
 它基于 PyTorch 社区成员 [Ben Trevett](https://github.com/bentrevett) 的本教程，并获得 Ben 的许可。 我们通过删除一些旧代码来更新教程。
 
-在本教程结束时，您将可以将句子预处理为张量以用于 NLP 建模，并可以使用 [torch.utils.data.DataLoader](https://pytorch.org/docs/stable/data.html?highlight=dataloader#torch.utils.data.DataLoader) 来训练和验证模型。
+在本教程结束时，您将可以将句子预处理为张量以用于 NLP 建模，并可以使用[`torch.utils.data.DataLoader`](https://pytorch.org/docs/stable/data.html?highlight=dataloader#torch.utils.data.DataLoader)来训练和验证模型。
 
 ## 数据处理
 
 `torchtext`具有实用程序，可用于创建可以轻松迭代的数据集，以创建语言翻译模型。 在此示例中，我们展示了如何对原始文本句子进行标记，构建词汇表以及将标记数字化为张量。
 
-注意：本教程中的标记化需要 [Spacy](https://spacy.io) 我们使用 Spacy 是因为它为英语以外的其他语言的标记化提供了强大的支持。 `torchtext`提供了`basic_english`标记器，并支持其他英语标记器（例如[摩西](https://bitbucket.org/luismsgomes/mosestokenizer/src/default/)），但对于语言翻译（需要多种语言），Spacy 是您的最佳选择。
+注意：本教程中的标记化需要 [Spacy](https://spacy.io) 我们使用 Spacy 是因为它为英语以外的其他语言的标记化提供了强大的支持。 `torchtext`提供了`basic_english`标记器，并支持其他英语标记器（例如 [Moses](https://bitbucket.org/luismsgomes/mosestokenizer/src/default/)），但对于语言翻译（需要多种语言），Spacy 是您的最佳选择。
 
 要运行本教程，请先使用`pip`或`conda`安装`spacy`。 接下来，下载英语和德语 Spacy 分词器的原始数据：
 
@@ -112,7 +112,7 @@ test_iter = DataLoader(test_data, batch_size=BATCH_SIZE,
 
 这大部分是从`torchtext`角度出发的：构建了数据集并定义了迭代器，本教程的其余部分仅将模型定义为`nn.Module`以及`Optimizer`，然后对其进行训练。
 
-具体来说，我们的模型遵循此处中描述的[架构（您可以在](https://arxiv.org/abs/1409.0473)中找到注释更多的版本[）。](https://github.com/SethHWeidman/pytorch-seq2seq/blob/master/3%20-%20Neural%20Machine%20Translation%20by%20Jointly%20Learning%20to%20Align%20and%20Translate.ipynb)
+具体来说，我们的模型遵循[此处描述的架构](https://arxiv.org/abs/1409.0473)（您可以在[这里](https://github.com/SethHWeidman/pytorch-seq2seq/blob/master/3%20-%20Neural%20Machine%20Translation%20by%20Jointly%20Learning%20to%20Align%20and%20Translate.ipynb)找到注释更多的版本。
 
 注意：此模型只是可用于语言翻译的示例模型； 我们选择它是因为它是任务的标准模型，而不是因为它是用于翻译的推荐模型。 如您所知，目前最先进的模型基于“变形金刚”； 您可以在上看到 PyTorch 的实现[`Transformer`](https://pytorch.org/docs/stable/nn.html#transformer-layers)层的功能； 特别是，以下模型中使用的“注意”与转换器模型中存在的多头自我注意不同。
 

new/pt-tut-17/34.md

@@ -22,7 +22,7 @@
 
 **软件包**
 
-首先，让我们导入所需的软件包。 首先，我们需要针对环境的[体育馆](https://gym.openai.com/docs)（使用`pip install Gym`进行安装）。 我们还将使用 PyTorch 中的以下内容：
+首先，让我们导入所需的软件包。 首先，我们需要针对环境的 [Gym](https://gym.openai.com/docs)（使用`pip install Gym`进行安装）。 我们还将使用 PyTorch 中的以下内容：
 
 *   神经网络（`torch.nn`）
 *   优化（`torch.optim`）

new/pt-tut-17/35.md

@@ -4,9 +4,9 @@
 
 Authors: [Yuansong Feng](https://github.com/YuansongFeng) , [Suraj Subramanian](https://github.com/suraj813) , [Howard Wang](https://github.com/hw26) , [Steven Guo](https://github.com/GuoYuzhang) .
 
-本教程将向您介绍深度强化学习的基础知识。 最后，您将实现一个 AI 驱动的马里奥（使用 [Double Deep Q-Networks](https://arxiv.org/pdf/1509.06461.pdf) ），它可以自己玩游戏。
+本教程将向您介绍深度强化学习的基础知识。 最后，您将实现一个 AI 驱动的马里奥（使用[双重深度 Q 网络](https://arxiv.org/pdf/1509.06461.pdf)），它可以自己玩游戏。
 
-尽管本教程不需要任何有关 RL 的先验知识，但是您可以熟悉这些 RL [概念](https://spinningup.openai.com/en/latest/spinningup/rl_intro.html)，并将此方便的[备忘单](https://colab.research.google.com/drive/1eN33dPVtdPViiS1njTW_-r-IYCDTFU7N)作为您的伴侣。 完整代码可在此处[获得。](https://github.com/yuansongFeng/MadMario/)
+尽管本教程不需要任何有关 RL 的先验知识，但是您可以熟悉这些 RL [概念](https://spinningup.openai.com/en/latest/spinningup/rl_intro.html)，并将此方便的[备忘单](https://colab.research.google.com/drive/1eN33dPVtdPViiS1njTW_-r-IYCDTFU7N)作为您的伴侣。[完整代码可在此处获得](https://github.com/yuansongFeng/MadMario/)。
 
 ![mario](img/e46d7dbb0cc58ac0895589bf255444be.png)
 
@@ -660,7 +660,7 @@ Episode 0 - Step 40 - Epsilon 0.9999900000487484 - Mean Reward 231.0 - Mean Leng
 
 ## 结论
 
-在本教程中，我们看到了如何使用 PyTorch 来训练玩游戏的 AI。 您可以使用相同的方法训练 AI 在 [OpenAI 体育馆](https://gym.openai.com/)上玩任何游戏。 希望您喜欢本教程，请随时通过[和我们的 github](https://github.com/yuansongFeng/MadMario/) 与我们联系！
+在本教程中，我们看到了如何使用 PyTorch 来训练玩游戏的 AI。 您可以使用相同的方法训练 AI 在 [OpenAI 体育馆](https://gym.openai.com/)上玩任何游戏。 希望您喜欢本教程，请随时通过[我们的 Github](https://github.com/yuansongFeng/MadMario/) 与我们联系！
 
 **脚本的总运行时间**：（0 分钟 21.485 秒）
 

new/pt-tut-17/37.md

@@ -12,8 +12,8 @@
 
 这是在生产中部署 PyTorch 模型的系列教程中的第一篇。 到目前为止，以这种方式使用 Flask 是开始为 PyTorch 模型提供服务的最简单方法，但不适用于具有高性能要求的用例。 为了那个原因：
 
-> *   如果您已经熟悉 TorchScript，则可以直接进入我们的 [C++ 加载 TorchScript 模型](https://pytorch.org/tutorials/advanced/cpp_export.html) 教程。
-> *   如果您首先需要在 TorchScript 上进行复习，请查看我们的 [TorchScript 入门](https://pytorch.org/tutorials/beginner/Intro_to_TorchScript_tutorial.html) 教程。
+> *   如果您已经熟悉 TorchScript，则可以直接进入我们的[通过 C++ 加载 TorchScript 模型](https://pytorch.org/tutorials/advanced/cpp_export.html)的教程。
+> *   如果您首先需要在 TorchScript 上进行复习，请查看我们的 [TorchScript 入门](https://pytorch.org/tutorials/beginner/Intro_to_TorchScript_tutorial.html)教程。
 
 ## API 定义
 
@@ -85,7 +85,7 @@ def predict():
 
 DenseNet 模型要求图像为尺寸为`224 x 224`的 3 通道 RGB 图像。我们还将使用所需的均值和标准差值对图像张量进行归一化。 您可以在上阅读有关它的更多信息。
 
-我们将使用`torchvision`库中的`transforms`并建立一个转换管道，该转换管道可根据需要转换图像。 您可以在上阅读有关变换[的更多信息。](https://pytorch.org/docs/stable/torchvision/transforms.html)
+我们将使用`torchvision`库中的`transforms`并建立一个转换管道，该转换管道可根据需要转换图像。 [您可以这里阅读有关转换的更多信息](https://pytorch.org/docs/stable/torchvision/transforms.html)。
 
 ```py
 import io
@@ -281,7 +281,7 @@ $ FLASK_ENV=development FLASK_APP=app.py flask run
 
 ```
 
-我们可以使用[请求](https://pypi.org/project/requests/)库向我们的应用发送 POST 请求：
+我们可以使用[`requests`](https://pypi.org/project/requests/)库向我们的应用发送 POST 请求：
 
 ```py
 import requests
@@ -305,9 +305,9 @@ resp = requests.post("http://localhost:5000/predict",
 *   端点`/predict`假定请求中始终会有一个图像文件。 这可能并不适用于所有请求。 我们的用户可能发送带有其他参数的图像，或者根本不发送任何图像。
 *   用户也可以发送非图像类型的文件。 由于我们没有处理错误，因此这将破坏我们的服务器。 添加显式的错误处理路径将引发异常，这将使我们能够更好地处理错误的输入
 *   即使模型可以识别大量类别的图像，也可能无法识别所有图像。 增强实现以处理模型无法识别图像中的任何情况的情况。
-*   我们在开发模式下运行 Flask 服务器，该服务器不适合在生产中进行部署。 您可以查看本教程的[，以在生产环境中部署 Flask 服务器。](https://flask.palletsprojects.com/en/1.1.x/tutorial/deploy/)
+*   我们在开发模式下运行 Flask 服务器，该服务器不适合在生产中进行部署。 您可以查看[本教程](https://flask.palletsprojects.com/en/1.1.x/tutorial/deploy/)，以便在生产环境中部署 Flask 服务器。
 *   您还可以通过创建一个带有表单的页面来添加 UI，该表单可以拍摄图像并显示预测。 查看类似项目的[演示](https://pytorch-imagenet.herokuapp.com/)及其[源代码](https://github.com/avinassh/pytorch-flask-api-heroku)。
-*   在本教程中，我们仅展示了如何构建可以一次返回单个图像预测的服务。 我们可以修改服务以能够一次返回多个图像的预测。 此外，[服务流媒体](https://github.com/ShannonAI/service-streamer)库自动将对服务的请求排队，并将请求采样到微型批量中，这些微型批量可输入模型中。 您可以查看[本教程](https://github.com/ShannonAI/service-streamer/wiki/Vision-Recognition-Service-with-Flask-and-service-streamer)。
+*   在本教程中，我们仅展示了如何构建可以一次返回单个图像预测的服务。 我们可以修改服务以能够一次返回多个图像的预测。 此外，[service-streamer](https://github.com/ShannonAI/service-streamer) 库自动将对服务的请求排队，并将请求采样到微型批量中，这些微型批量可输入模型中。 您可以查看[本教程](https://github.com/ShannonAI/service-streamer/wiki/Vision-Recognition-Service-with-Flask-and-service-streamer)。
 *   最后，我们鼓励您在页面顶部查看链接到的其他 PyTorch 模型部署教程。
 
 **脚本的总运行时间**：（0 分钟 1.232 秒）

new/pt-tut-17/38.md

@@ -21,7 +21,7 @@
 *   如何组合两种方法
 *   保存和加载 TorchScript 模块
 
-我们希望在完成本教程之后，您将继续学习[和后续教程](https://pytorch.org/tutorials/advanced/cpp_export.html)，该教程将引导您完成一个从 C++ 实际调用 TorchScript 模型的示例。
+我们希望在完成本教程之后，您将继续学习[后续教程](https://pytorch.org/tutorials/advanced/cpp_export.html)，该教程将引导您完成一个从 C++ 实际调用 TorchScript 模型的示例。
 
 ```py
 import torch  # This is all you need to use both PyTorch and TorchScript!
@@ -77,7 +77,7 @@ print(my_cell(x, h))
 
 1.  创建了一个子类`torch.nn.Module`的类。
 2.  定义一个构造函数。 构造函数没有做很多事情，只是调用`super`的构造函数。
-3.  定义了`forward`函数，该函数具有两个输入并返回两个输出。 `forward`函数的实际内容并不是很重要，但它是一种伪造的 [RNN 单元格](https://colah.github.io/posts/2015-08-Understanding-LSTMs/)，即，该函数应用于循环。
+3.  定义了`forward`函数，该函数具有两个输入并返回两个输出。 `forward`函数的实际内容并不是很重要，但它是一种伪造的 [RNN 单元](https://colah.github.io/posts/2015-08-Understanding-LSTMs/)，即，该函数应用于循环。
 
 我们实例化了该模块，并制作了`x`和`y`，它们只是`3x4`随机值矩阵。 然后，我们使用`my_cell(x, h)`调用该单元格。 这依次调用我们的`forward`函数。
 
@@ -465,11 +465,11 @@ def forward(self,
 
 ```
 
-如您所见，序列化保留了模块层次结构和我们一直在研究的代码。 也可以将模型加载到[中，例如](https://pytorch.org/tutorials/advanced/cpp_export.html)[到 C++ ](https://pytorch.org/tutorials/advanced/cpp_export.html) 中，以实现不依赖 Python 的执行。
+如您所见，序列化保留了模块层次结构和我们一直在研究的代码。 [也可以将模型加载到 C++ 中](https://pytorch.org/tutorials/advanced/cpp_export.html)，以实现不依赖 Python 的执行。
 
 ### 进一步阅读
 
-我们已经完成了教程！ 有关更多涉及的演示，[请查看 NeurIPS 演示以使用 TorchScript 转换机器翻译模型](https://colab.research.google.com/drive/1HiICg6jRkBnr5hvK2-VnMi88Vi9pUzEJ)。
+我们已经完成了教程！ 有关更多涉及的演示，[请查看 NeurIPS 演示来使用 TorchScript 转换机器翻译模型](https://colab.research.google.com/drive/1HiICg6jRkBnr5hvK2-VnMi88Vi9pUzEJ)。
 
 **脚本的总运行时间**：（0 分钟 0.269 秒）
 

new/pt-tut-17/39.md

@@ -12,7 +12,7 @@ PyTorch 模型从 Python 到 C++ 的旅程由 [Torch 脚本](https://pytorch.org
 
 小费
 
-您可以在官方[火炬脚本参考](https://pytorch.org/docs/master/jit.html)中找到这两种方法的完整文档以及使用方法的进一步指导。
+您可以在官方 [Torch 脚本参考](https://pytorch.org/docs/master/jit.html)中找到这两种方法的完整文档以及使用方法的进一步指导。
 
 ### 通过跟踪转换为 Torch 脚本
 
@@ -89,7 +89,7 @@ sm = torch.jit.script(my_module)
 
 ## 第 2 步：将脚本模块序列化为文件
 
-跟踪或注释 PyTorch 模型后，一旦有了`ScriptModule`，就可以将其序列化为文件了。 稍后，您将能够使用 C++ 从此文件加载模块并执行它，而无需依赖 Python。 假设我们要序列化先前在跟踪示例中显示的`ResNet18`模型。 要执行此序列化，只需在模块上调用[保存](https://pytorch.org/docs/master/jit.html#torch.jit.ScriptModule.save)并为其传递文件名：
+跟踪或注释 PyTorch 模型后，一旦有了`ScriptModule`，就可以将其序列化为文件了。 稍后，您将能够使用 C++ 从此文件加载模块并执行它，而无需依赖 Python。 假设我们要序列化先前在跟踪示例中显示的`ResNet18`模型。 要执行此序列化，只需在模块上调用[`save`](https://pytorch.org/docs/master/jit.html#torch.jit.ScriptModule.save)并为其传递文件名：
 
 ```py
 traced_script_module.save("traced_resnet_model.pt")
@@ -295,4 +295,4 @@ tensor([-0.2698, -0.0381,  0.4023, -0.3010, -0.0448], grad_fn=<SliceBackward>)
 *   [PyTorch C++ API 文档](https://pytorch.org/cppdocs/)
 *   [PyTorch Python API 文档](https://pytorch.org/docs/)
 
-与往常一样，如果您遇到任何问题或疑问，可以使用我们的[论坛](https://discuss.pytorch.org/)或 [GitHub 问题](https://github.com/pytorch/pytorch/issues)进行联系。
\ No newline at end of file
+与往常一样，如果您遇到任何问题或疑问，可以使用我们的[论坛](https://discuss.pytorch.org/)或 [GitHub ISSUE](https://github.com/pytorch/pytorch/issues) 进行联系。
\ No newline at end of file

new/pt-tut-17/40.md

@@ -4,11 +4,11 @@
 
 在本教程中，我们描述了如何将 PyTorch 中定义的模型转换为 ONNX 格式，然后在 ONNX 运行时中运行它。
 
-ONNX 运行时是针对 ONNX 模型的以性能为中心的引擎，可在多个平台和硬件（Windows，Linux 和 Mac 以及 CPU 和 GPU 上）高效地进行推理。 事实证明，如[在此处](https://cloudblogs.microsoft.com/opensource/2019/05/22/onnx-runtime-machine-learning-inferencing-0-4-release)所述，ONNX 运行时大大提高了多个模型的性能。
+ONNX 运行时是针对 ONNX 模型的以性能为中心的引擎，可在多个平台和硬件（Windows，Linux 和 Mac 以及 CPU 和 GPU 上）高效地进行推理。 事实证明，如[此处](https://cloudblogs.microsoft.com/opensource/2019/05/22/onnx-runtime-machine-learning-inferencing-0-4-release)所述，ONNX 运行时大大提高了多个模型的性能。
 
 对于本教程，您将需要安装 [ONNX](https://github.com/onnx/onnx) 和 [ONNX 运行时](https://github.com/microsoft/onnxruntime)。 您可以使用`pip install onnx onnxruntime`获得 ONNX 和 ONNX 运行时的二进制版本。 请注意，ONNX 运行时与 Python 3.5 至 3.7 版本兼容。
 
-`NOTE`：本教程需要 PyTorch `master`分支，可以按照[此处的说明进行安装](https://github.com/pytorch/pytorch#from-source)
+`NOTE`：本教程需要 PyTorch `master`分支，[可以按照此处的说明进行安装](https://github.com/pytorch/pytorch#from-source)
 
 ```py
 # Some standard imports
@@ -182,7 +182,7 @@ img_out_y = ort_outs[0]
 
 ```
 
-此时，模型的输出为张量。 现在，我们将处理模型的输出，以根据输出张量构造最终的输出图像，并保存图像。 从此处的超分辨率模型[的 PyTorch 实现中采用了后处理步骤。](https://github.com/pytorch/examples/blob/master/super_resolution/super_resolve.py)
+此时，模型的输出为张量。 现在，我们将处理模型的输出，以根据输出张量构造最终的输出图像，并保存图像。 采用了来自此处的[超分辨率模型的 PyTorch 实现](https://github.com/pytorch/examples/blob/master/super_resolution/super_resolve.py)的后处理步骤。
 
 ```py
 img_out_y = Image.fromarray(np.uint8((img_out_y[0] * 255.0).clip(0, 255)[0]), mode='L')
@@ -204,11 +204,11 @@ final_img.save("./_static/img/cat_superres_with_ort.jpg")
 
 ONNX 运行时是跨平台引擎，您可以在多个平台上以及在 CPU 和 GPU 上运行它。
 
-还可以使用 Azure 机器学习服务将 ONNX 运行时部署到云中以进行模型推断。 更多信息[此处](https://docs.microsoft.com/en-us/azure/machine-learning/service/concept-onnx)。
+还可以使用 Azure 机器学习服务将 ONNX 运行时部署到云中以进行模型推断。 更多信息在[此处](https://docs.microsoft.com/en-us/azure/machine-learning/service/concept-onnx)。
 
-在上了解有关 ONNX 运行时性能[的更多信息。](https://github.com/microsoft/onnxruntime#high-performance)
+[在这里了解有关 ONNX 运行时性能的更多信息](https://github.com/microsoft/onnxruntime#high-performance)。
 
-有关 ONNX 运行时[的更多信息，请点击](https://github.com/microsoft/onnxruntime)。
+有关 ONNX 运行时的更多信息，[请点击这里](https://github.com/microsoft/onnxruntime)。
 
 **脚本的总运行时间**：（0 分钟 0.000 秒）