2021-01-21 20:42:40

new/handson-1shot-learn-py/6.md

-# 结论和其他方法
+# 总结和其他方法
 
 在这本书中，我们了解了用于深度学习的各种形式的架构，以及从手动特征提取到变型贝叶斯框架的各种技术和方法。 一次学习是一个特别活跃的研究领域，因为它专注于根据人类的神经能力更紧密地建立一种机器意识。 过去 5 年中，随着深度学习社区的进步，我们至少可以说，我们正在开发一种可以像人类一样同时学习多个任务的机器。 在这一章中，我们将看到一次学习还有哪些其他选择，并讨论本书中未深入探讨的其他方法。
 

new/pt-tut-17/21.md

@@ -142,7 +142,7 @@ def fgsm_attack(image, epsilon, data_grad):
 
 ```
 
-### 测试功能
+### 测试函数
 
 最后，本教程的主要结果来自`test`函数。 每次调用此测试功能都会在 MNIST 测试集上执行完整的测试步骤，并报告最终精度。 但是，请注意，此功能还需要`epsilon`输入。 这是因为`test`函数报告实力为`ε`的来自对手的攻击模型的准确率。 更具体地说，对于测试集中的每个样本，函数都会计算输入数据`data_grad`的损耗梯度，并使用`fgsm_attack`创建一个扰动图像`perturbed_data`，然后检查受干扰的示例是否具有对抗性。 除了测试模型的准确率外，该功能还保存并返回了一些成功的对抗示例，以供以后可视化。
 
@@ -262,7 +262,7 @@ plt.show()
 
 ### 对抗示例样本
 
-还记得没有免费午餐的想法吗？ 在这种情况下，随着ε的增加，测试精度降低，但扰动变得更容易察觉。 实际上，在攻击者必须考虑的准确率下降和可感知性之间要进行权衡。 在这里，我们展示了每个`ε`值下成功对抗示例的一些示例。 绘图的每一行显示不同的ε值。 第一行是`ε = 0`示例，这些示例表示没有干扰的原始“干净”图像。 每张图片的标题均显示“原始分类->对抗分类”。 注意，扰动在`ε = 0.15`处开始变得明显，而在`ε = 0.3`处则非常明显。 但是，在所有情况下，尽管增加了噪音，人类仍然能够识别正确的类别。
+还记得没有免费午餐的想法吗？ 在这种情况下，随着`ε`的增加，测试精度降低，但扰动变得更容易察觉。 实际上，在攻击者必须考虑的准确率下降和可感知性之间要进行权衡。 在这里，我们展示了每个`ε`值下成功对抗示例的一些示例。 绘图的每一行显示不同的`ε`值。 第一行是`ε = 0`示例，这些示例表示没有干扰的原始“干净”图像。 每张图片的标题均显示“原始分类->对抗分类”。 注意，扰动在`ε = 0.15`处开始变得明显，而在`ε = 0.3`处则非常明显。 但是，在所有情况下，尽管增加了噪音，人类仍然能够识别正确的类别。
 
 ```py
 # Plot several examples of adversarial samples at each epsilon

new/pt-tut-17/23.md

-# 音讯
\ No newline at end of file
+# 音频
\ No newline at end of file

new/pt-tut-17/24.md

@@ -233,7 +233,7 @@ Median relative difference between original and MuLaw reconstucted signals: 1.28
 
 ```
 
-## 功能
+## 函数
 
 上面看到的转换依赖于较低级别的无状态函数进行计算。 这些功能在`torchaudio.functional`下可用。 完整列表在[此处](https://pytorch.org/audio/functional.html)，包括：
 
@@ -357,7 +357,7 @@ Mean of highpass_waveform: 1.8138147234170177e-11
 
 ```
 
-## 从 Kaldi 迁移到 torchaudio
+## 从 Kaldi 迁移到`torchaudio`
 
 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：
 
@@ -486,7 +486,7 @@ Labels: [0, 0, 1, 0, 0, 0, 1, 0]
 
 现在，每当您从数据集中请求声音文件时，仅当您请求声音文件时，它才会加载到内存中。 这意味着，数据集仅加载所需的项目并将其保留在内存中，并保存在内存中。
 
-## 结论
+## 总结
 
 我们使用示例原始音频信号或波形来说明如何使用`torchaudio`打开音频文件，以及如何对该波形进行预处理，变换和应用功能。 我们还演示了如何使用熟悉的 Kaldi 函数以及如何利用内置数据集构建模型。 鉴于`torchaudio`是基于 PyTorch 构建的，因此这些技术可以在利用 GPU 的同时，用作语音识别等更高级音频应用的构建块。
 

new/pt-tut-17/25.md

@@ -443,7 +443,7 @@ ipd.Audio(waveform.numpy(), rate=sample_rate)
 
 ```
 
-## 结论
+## 总结
 
 在本教程中，我们使用了`torchaudio`来加载数据集并对信号进行重新采样。 然后，我们定义了经过训练的神经网络，以识别给定命令。 还有其他数据预处理方法，例如找到梅尔频率倒谱系数（MFCC），可以减小数据集的大小。 此变换也可以在`torchaudio`中作为`torchaudio.transforms.MFCC`使用。
 

new/pt-tut-17/35.md

@@ -658,7 +658,7 @@ Episode 0 - Step 40 - Epsilon 0.9999900000487484 - Mean Reward 231.0 - Mean Leng
 
 ```
 
-## 结论
+## 总结
 
 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 Gym](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！
 

new/pt-tut-17/42.md

@@ -594,7 +594,7 @@ print(output.names)
 
 ```
 
-### 结论
+### 总结
 
 感谢您的阅读！ 命名张量仍在发展中。 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-17/44.md

@@ -954,7 +954,7 @@ Saved out.png
 
 数字！ 万岁！ 现在，事情就在您的球场上了：您可以改进模型以使数字看起来更好吗？
 
-## 结论
+## 总结
 
 希望本教程为您提供了 PyTorch C++ 前端的可摘要。 像 PyTorch 这样的机器学习库必然具有非常广泛的 API。 因此，有许多概念我们没有时间或空间来讨论。 但是，我建议您尝试一下 API，并在遇到问题时查阅[我们的文档](https://pytorch.org/cppdocs/)，尤其是[库 API](https://pytorch.org/cppdocs/api/library_root.html) 部分。 另外，请记住，只要我们能够做到，就可以期望 C++ 前端遵循 Python 前端的设计和语义，因此您可以利用这一事实来提高学习率。
 

new/pt-tut-17/45.md

@@ -991,6 +991,6 @@ Forward: 129.431 us | Backward 304.641 us
 
 更多性能提升！
 
-## 结论
+## 总结
 
 现在，您应该对 PyTorch 的 C++ 扩展机制有了一个很好的了解，并有使用它们的动机。 [您可以在此处找到本说明中显示的代码示例](https://github.com/pytorch/extension-cpp)。 如有疑问，请使用[论坛](https://discuss.pytorch.org)。 另外，请务必查看我们的[常见问题解答](https://pytorch.org/cppdocs/notes/faq.html)，以防遇到任何问题。
\ No newline at end of file

new/pt-tut-17/46.md

@@ -621,7 +621,7 @@ $ ./example_app example.pt
 
 成功！ 您现在可以推断了。
 
-## 结论
+## 总结
 
 本教程向您介绍了如何在 C++ 中实现自定义 TorchScript 运算符，如何将其构建到共享库中，如何在 Python 中使用它来定义 TorchScript 模型以及如何将其加载到 C++ 应用中以进行推理工作负载。 现在，您可以使用与第三方 C++ 库进行接口的 C++ 运算符扩展 TorchScript 模型，编写自定义的高性能 CUDA 内核，或实现任何其他需要 Python，TorchScript 和 C++ 之间的界线才能平稳融合的用例。
 

new/pt-tut-17/47.md

@@ -522,7 +522,7 @@ class TryCustomOp(torch.nn.Module):
 
 注册使用 C++ 类作为参数的运算符时，要求已注册自定义类。 您可以通过确保自定义类注册和您的自由函数定义在同一`TORCH_LIBRARY`块中，并确保自定义类注册位于第一位来强制实现此操作。 将来，我们可能会放宽此要求，以便可以按任何顺序进行注册。
 
-## 结论
+## 总结
 
 本教程向您介绍了如何向 TorchScript（以及扩展为 Python）公开 C++ 类，如何注册其方法，如何从 Python 和 TorchScript 使用该类以及如何使用该类保存和加载代码以及运行该代码。 在独立的 C++ 过程中。 现在，您可以使用与第三方 C++ 库连接的 C++ 类扩展 TorchScript 模型，或实现需要 Python，TorchScript 和 C++ 之间的界线平滑融合的任何其他用例。
 

new/pt-tut-17/48.md

@@ -228,6 +228,6 @@ def forward(self, x : torch.Tensor) -> torch.Tensor:
 
 现在我们可以看到所有`LSTM`实例都在完全并行运行。
 
-## 结论
+## 总结
 
 在本教程中，我们学习了`fork()`和`wait()`，这是在 TorchScript 中执行动态，互操作并行的基本 API。 我们看到了一些典型的使用模式，这些模式使用这些函数并行执行 TorchScript 代码中的函数，方法或`Modules`的执行。 最后，我们通过一个使用该技术优化模型的示例进行了研究，并探索了 PyTorch 中可用的性能测量和可视化工具。
\ No newline at end of file

new/pt-tut-17/49.md

@@ -409,6 +409,6 @@ std::cout << x.grad() << std::endl;
 
 翻译后，您的大多数 Python Autograd 代码都应仅在 C++ 中工作。 如果不是这种情况，请在 [GitHub ISSUE](https://github.com/pytorch/pytorch/issues) 中提交错误报告，我们将尽快对其进行修复。
 
-## 结论
+## 总结
 
 现在，您应该对 PyTorch 的 C++  autograd API 有了一个很好的了解。 [您可以在此处找到本说明中显示的代码示例](https://github.com/pytorch/examples/tree/master/cpp/autograd)。 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-17/55.md

@@ -383,7 +383,7 @@ elapsed time (seconds): 166.3
 
 在没有量化的情况下在 MacBook Pro 上本地运行此操作，推理大约需要 200 秒，而量化则只需大约 100 秒。
 
-## 结论
+## 总结
 
 动态量化可能是减小模型大小的简单方法，而对精度的影响有限。
 

new/pt-tut-17/56.md

@@ -427,7 +427,7 @@ loaded_quantized_model = torch.jit.load("bert_traced_eager_quant.pt")
 
 ```
 
-## 结论
+## 总结
 
 在本教程中，我们演示了如何演示如何将 BERT 等著名的最新 NLP 模型转换为动态量化模型。 动态量化可以减小模型的大小，而对准确率的影响有限。
 

new/pt-tut-17/57.md

@@ -798,7 +798,7 @@ Elapsed time:   4 ms
 
 在 MacBook Pro 上本地运行此程序，常规模型的运行时间为 61 毫秒，而量化模型的运行时间仅为 20 毫秒，这说明了量化模型与浮点模型相比，典型的 2-4 倍加速。
 
-## 结论
+## 总结
 
 在本教程中，我们展示了两种量化方法-训练后静态量化和量化感知训练-描述它们在“幕后”进行的操作以及如何在 PyTorch 中使用它们。