2020-08-06 18:45:10

docs/dl-tf-2e-zh/SUMMARY.md

@@ -4,8 +4,8 @@
 +   [三、实现前馈神经网络](ch03.md)
 +   [四、CNN 实战](ch04.md)
 +   [五、使用 TensorFlow 实现自编码器](ch05.md)
-+   [六、RNN 和梯度消失 - 爆炸问题](ch06.md)
-+   [七、TensorFlow GPU 设置](ch07.md)
++   [六、RNN 和梯度消失或爆炸问题](ch06.md)
++   [七、TensorFlow GPU 配置](ch07.md)
 +   [八、TFLearn](ch08.md)
 +   [九、使用协同过滤的电影推荐](ch09.md)
 +   [十、OpenAI Gym](ch10.md)

docs/dl-tf-2e-zh/ch06.md

-# 六、RNN 和梯度消失 - 爆炸问题
+# 六、RNN 和梯度消失或爆炸问题
 
 较深层的梯度计算为多层网络中许多激活函数梯度的乘积。当这些梯度很小或为零时，它很容易消失。另一方面，当它们大于 1 时，它可能会爆炸。因此，计算和更新变得非常困难。
 
@@ -7,7 +7,7 @@
 *   如果权重较小，则可能导致称为消失梯度的情况，其中梯度信号变得非常小，以至于学习变得非常慢或完全停止工作。这通常被称为消失梯度。
 *   如果该矩阵中的权重很大，则可能导致梯度信号太大而导致学习发散的情况。这通常被称为爆炸梯度。
 
-因此，RNN 的一个主要问题是消失 - 爆炸梯度问题，它直接影响表现。事实上，反向传播时间推出了 RNN，创建了一个非常深的前馈神经网络。从 RNN 获得长期背景的不可能性正是由于这种现象：如果梯度在几层内消失或爆炸，网络将无法学习数据之间的高时间距离关系。
+因此，RNN 的一个主要问题是消失或爆炸梯度问题，它直接影响表现。事实上，反向传播时间推出了 RNN，创建了一个非常深的前馈神经网络。从 RNN 获得长期背景的不可能性正是由于这种现象：如果梯度在几层内消失或爆炸，网络将无法学习数据之间的高时间距离关系。
 
 下图显示了发生的情况：计算和反向传播的梯度趋于在每个时刻减少（或增加），然后，在一定数量的时刻之后，成本函数趋于收敛到零（或爆炸到无穷大） ）。
 
@@ -72,7 +72,7 @@
 
 而且，它取决于循环层的参数`θ`。如果在训练期间你的权重变大，那么由于每个时间步长的等式（I）（II）的乘法，它们将会出现梯度爆炸的问题。
 
-为了克服消失 - 爆炸问题，已经提出了基本 RNN 模型的各种扩展。将在下一节介绍的 LSTM 网络就是其中之一。
+为了克服消失或爆炸问题，已经提出了基本 RNN 模型的各种扩展。将在下一节介绍的 LSTM 网络就是其中之一。
 
 ## LSTM 网络
 

docs/dl-tf-2e-zh/ch07.md

-# 七、TensorFlow GPU 设置
+# 七、TensorFlow GPU 配置
 
 要将  TensorFlow 与 NVIDIA GPU 配合使用，第一步是安装 CUDA Toolkit。
 

sidebar.md

@@ -15,8 +15,8 @@
     +   [三、实现前馈神经网络](docs/dl-tf-2e-zh/ch03.md)
     +   [四、CNN 实战](docs/dl-tf-2e-zh/ch04.md)
     +   [五、使用 TensorFlow 实现自编码器](docs/dl-tf-2e-zh/ch05.md)
-    +   [六、RNN 和梯度消失 - 爆炸问题](docs/dl-tf-2e-zh/ch06.md)
-    +   [七、TensorFlow GPU 设置](docs/dl-tf-2e-zh/ch07.md)
+    +   [六、RNN 和梯度消失或爆炸问题](docs/dl-tf-2e-zh/ch06.md)
+    +   [七、TensorFlow GPU 配置](docs/dl-tf-2e-zh/ch07.md)
     +   [八、TFLearn](docs/dl-tf-2e-zh/ch08.md)
     +   [九、使用协同过滤的电影推荐](docs/dl-tf-2e-zh/ch09.md)
     +   [十、OpenAI Gym](docs/dl-tf-2e-zh/ch10.md)