2019-02-01 21:31:50

docs/12.设备和服务器上的分布式_TensorFlow.md

@@ -42,11 +42,11 @@ Nvidia 的 CUDA 允许开发者使用支持 CUDA 的 GPU 进行各种计算（
 
 最后，您必须安装支持 GPU 的 TensorFlow。 如果你使用`virtualenv`创建了一个独立的环境，你首先需要激活它：
 
-<pre>
+<pre><code>
 &#x24; cd &#x24;ML_PATH               
 # Your ML working directory (e.g., HOME/ml) 
 &#x24; source env/bin/activate
-</pre>
+</code></pre>
 
 然后安装合适的支持 GPU 的 TensorFlow 版本：
 

docs/2.一个完整的机器学习项目.md

@@ -154,10 +154,10 @@ RMSE 和 MAE 都是测量预测值和目标值两个向量距离的方法。有
 
 接下来，需要为你的机器学习代码和数据集创建工作空间目录。打开一个终端，输入以下命令（在提示符`$`之后）：
 
-<pre>
+<pre><code>
 &#x24; export ML_PATH="&#x24;HOME/ml"      # 可以更改路径
 &#x24; mkdir -p &#x24;ML_PATH
-</pre>
+</code></pre>
 
 还需要一些 Python 模块：Jupyter、NumPy、Pandas、Matplotlib 和 Scikit-Learn。如果所有这些模块都已经在 Jupyter 中运行了，你可以直接跳到下一节“下载数据”。如果还没安装，有多种方法可以进行安装（包括它们的依赖）。你可以使用系统的包管理系统（比如 Ubuntu 上的`apt-get`，或 macOS 上的 MacPorts 或 HomeBrew），安装一个 Python 科学计算环境比如 Anaconda，使用 Anaconda 的包管理系统，或者使用 Python 自己的包管理器`pip`，它是 Python 安装包（自从 2.7.9 版本）自带的。可以用下面的命令检测是否安装`pip`：
 
@@ -191,7 +191,14 @@ Successfully installed pip-9.0.1
 > 
 > 现在可以通过下面命令创建一个独立的 Python 环境：
 > 
-> <pre>&#x24; cd &#x24;ML_PATH<br />&#x24; virtualenv env<br />Using base prefix '[...]'<br />New python executable in [...]/ml/env/bin/python3.5<br />Also creating executable in [...]/ml/env/bin/python<br />Installing setuptools, pip, wheel...done.</pre>
+> <pre><code>
+> &#x24; cd &#x24;ML_PATH
+> &#x24; virtualenv env
+> Using base prefix '[...]'
+> New python executable in [...]/ml/env/bin/python3.5
+> Also creating executable in [...]/ml/env/bin/python
+> Installing setuptools, pip, wheel...done.
+> </code></pre>
 > 
 > 以后每次想要激活这个环境,只需打开一个终端然后输入：
 > 

docs/9.启动并运行_TensorFlow.md

@@ -44,10 +44,10 @@ TensorFlow 是一款用于数值计算的强大的开源软件库，特别适用
 
 让我们开始吧！假设您按照第 2 章中的安装说明安装了 Jupyter 和 Scikit-Learn，您可以简单地使用`pip`来安装 TensorFlow。 如果你使用`virtualenv`创建了一个独立的环境，你首先需要激活它：
 
-<pre>
+<pre><code>
 &#x24; cd &#x24;ML_PATH                            #Your ML working directory(e.g., &#x24;HOME/ml)
 &#x24; source env/bin/activate
-</pre>
+</code></pre>
 
 下一步，安装 Tensorflow。