2020-08-04 21:29:10

docs/mastering-tf-1x-zh/SUMMARY.md

@@ -12,7 +12,7 @@
 +   [十一、TF 服务：生产中的 TensorFlow 模型](ch11.md)
 +   [十二、迁移学习和预训练模型](ch12.md)
 +   [十三、深度强化学习](ch13.md)
-+   [十四、生成性对抗网络](ch14.md)
++   [十四、生成对抗网络](ch14.md)
 +   [十五、使用 TensorFlow 集群的分布式模型](ch15.md)
 +   [十六、移动和嵌入式平台上的 TensorFlow 模型](ch16.md)
 +   [十七、R 中的 TensorFlow 和 Keras](ch17.md)

docs/mastering-tf-1x-zh/ch01.md

@@ -831,7 +831,7 @@ physical_device_desc: "device: 0, name: Quadro P5000, pci bus id: 0000:01:00.0,
 ]
 ```
 
-TensorFlow 中的设备用字符串  `/device:<device_type>:<device_idx>`标识。在上述输出中，  `CPU` 和  `GPU` 表示器件类型，`0`表示器件索引。
+TensorFlow 中的设备用字符串  `/device:<device_type>:<device_idx>`标识。在上述输出中，  `CPU` 和  `GPU` 表示器件类型，`0`表示器件索引。
 
 关于上述输出需要注意的一点是它只显示一个 CPU，而我们的计算机有 8 个 CPU。原因是 TensorFlow 隐式地在 CPU 单元中分配代码，因此默认情况下  `CPU:0` 表示 TensorFlow 可用的所有 CPU。当 TensorFlow 开始执行图时，它在一个单独的线程中运行每个图中的独立路径，每个线程在一个单独的 CPU 上运行。我们可以通过改变  `inter_op_parallelism_threads`的数量来限制用于此目的的线程数。类似地，如果在独立路径中，操作能够在多个线程上运行，TensorFlow 将在多个线程上启动该特定操作。可以通过设置  `intra_op_parallelism_threads`的数量来更改此池中的线程数。
 
@@ -949,7 +949,7 @@ config.allow_soft_placement = True
 
 当您开始运行 TensorFlow 会话时，默认情况下它会抓取所有 GPU 内存，即使您将操作和变量仅放置在多 GPU 系统中的一个 GPU 上也是如此。如果您尝试同时运行另一个会话，则会出现内存不足错误。这可以通过多种方式解决：
 
-*   对于多 GPU 系统，请设置环境变量`CUDA_VISIBLE_DEVICES=&lt;list of device idx&gt;`
+*   对于多 GPU 系统，请设置环境变量`CUDA_VISIBLE_DEVICES=<list of device idx>`
 
 ```py
 os.environ['CUDA_VISIBLE_DEVICES']='0'

docs/mastering-tf-1x-zh/ch02.md

@@ -8,7 +8,7 @@ TensorFlow 有几个高级库和接口（API），允许我们使用 TF Learn，
 *   TF Slim
 *   TFLearn
 *   PrettyTensor
-*   十四行诗
+*   Sonnet
 
 我们将提供使用所有五个库构建 MNIST 数据集模型的示例。当我们从第 4 章开始介绍模型的细节时，不要担心理解模型的细节。
 

docs/mastering-tf-1x-zh/ch09.md

@@ -234,7 +234,7 @@ layer1_b = tf.Variable(tf.random_normal([32]),name='l1_b')
 ```
 
 *   接下来，用 `tf.nn.conv2d`函数定义卷积层。函数参数`stride`定义了内核张量在每个维度中应该滑动的元素。维度顺序由`data_format`确定，可以是`'NHWC'`或`'NCHW'`（默认为`'NHWC'`）。
-    通常，`stride`中的第一个和最后一个元素设置为“1”。函数参数`padding`可以是`SAME`或`VALID`。 `SAME` `padding`表示输入将用零填充，以便在卷积后输出与输入的形状相同。使用`tf.nn.relu()`函数添加`relu`激活：
+    通常，`stride`中的第一个和最后一个元素设置为 1。函数参数`padding`可以是`SAME`或`VALID`。 `SAME` `padding`表示输入将用零填充，以便在卷积后输出与输入的形状相同。使用`tf.nn.relu()`函数添加`relu`激活：
 
 ```py
 layer1_conv = tf.nn.relu(tf.nn.conv2d(x_,layer1_w,

docs/mastering-tf-1x-zh/ch10.md

@@ -22,9 +22,9 @@
 *   **去噪自编码器**（DAE）：在 DAE 架构中，输入带有随机噪声。 DAE 重新创建输入并尝试消除噪音。 DAE 中的损失函数将去噪重建输出与原始未损坏输入进行比较。
 *   **卷积自编码器**（CAE）：前面讨论过的自编码器使用全连接层，这种模式类似于多层感知机模型。我们也可以使用卷积层而不是完全连接或密集层。当我们使用卷积层来创建自编码器时，它被称为卷积自编码器。作为一个例子，我们可以为 CAE 提供以下层：
 
-    **输入 - >卷积 - >池化 - >卷积 - >池化 - >输出
+    **输入 -> 卷积 -> 池化 -> 卷积 -> 池化 -> 输出**
 
-    **第一组卷积和池化层充当编码器，将高维输入特征空间减少到低维特征空间。第二组卷积和池化层充当解码器，将其转换回高维特征空间。
+    第一组卷积和池化层充当编码器，将高维输入特征空间减少到低维特征空间。第二组卷积和池化层充当解码器，将其转换回高维特征空间。
 
 *   **变分自编码器**（VAE）：变分自编码器架构是自编码器领域的最新发展。 VAE 是一种生成模型，即它产生概率分布的参数，从中可以生成原始数据或与原始数据非常相似的数据。
 

docs/mastering-tf-1x-zh/ch13.md

@@ -86,7 +86,7 @@ EnvSpec(Amidar-v4)
 
 由`env`对象表示的每个环境都有一个标准化的接口，例如：
 
-*   通过传递 id 字符串，可以使用`env.make(<game-id-string>)`函数创建`env`对象。
+*   通过传递 id 字符串，可以使用`env.make(<game-id-string>)`函数创建`env`对象。
 *   每个`env`对象包含以下主要函数：
     *   `step()`函数将操作对象作为参数并返回四个对象：
         *   观察：由环境实现的对象，代表对环境的观察。
@@ -862,5 +862,5 @@ Policy:policy_q_nn, Min reward:8.0, Max reward:150.0, Average reward:41.27
 
 我们还了解了 OpenAI Gym，这是一个框架，提供了一个模拟许多流行游戏的环境，以实现和实践强化学习算法。我们谈到了深层强化学习概念，我们鼓励您探索专门写有关强化学习的书籍，以深入学习理论和概念。
 
-强化学习是一种先进的技术，你会发现它常用于解决复杂的问题。在下一章中，我们将学习另一系列先进的深度学习技术：生成性对抗网络。
+强化学习是一种先进的技术，你会发现它常用于解决复杂的问题。在下一章中，我们将学习另一系列先进的深度学习技术：生成对抗网络。
 

docs/mastering-tf-1x-zh/ch14.md

-# 十四、生成性对抗网络
+# 十四、生成对抗网络
 
 生成模型被训练以生成与他们训练的数据类似的更多数据，并且训练对抗模型以通过提供对抗性示例来区分真实数据和假数据。
 
-**生成性对抗网络**（**GAN**）结合了两种模型的特征。 GAN 有两个组成部分：
+**生成对抗网络**（**GAN**）结合了两种模型的特征。 GAN 有两个组成部分：
 
 *   学习如何生成类似数据的生成模型
 *   一种判别模型，用于学习如何区分真实数据和生成数据（来自生成模型）
@@ -16,12 +16,12 @@ GAN 已成功应用于各种复杂问题，例如：
 
 在本章中，我们将学习以下主题，以学习如何在 TensorFlow 和 Keras 中实现 GAN：
 
-*   生成性对抗网络
+*   生成对抗网络
 *   TensorFlow 中的简单 GAN
 *   Keras 的简单 GAN
 *   具有 TensorFlow 和 Keras 的深度卷积 GAN
 
-# 生成性对抗网络 101
+# 生成对抗网络 101
 
 如下图所示，Generative Adversarial Networks（通常称为 GAN）有两个同步工作模型，用于学习和训练复杂数据，如图像，视频或音频文件：
 

docs/mastering-tf-1x-zh/ch15.md

@@ -88,7 +88,7 @@ workers = [
 clusterSpec = tf.train.ClusterSpec({'ps': ps, 'worker': workers})
 ```
 
-正如您在代码中的注释中所看到的，任务通过`/job:<job name>/task:<task index>`标识。
+正如您在代码中的注释中所看到的，任务通过`/job:<job name>/task:<task index>`标识。
 
 # 创建服务器实例
 

docs/mastering-tf-1x-zh/ch16.md

@@ -256,7 +256,7 @@ $ toco
 2.  查看 TensorFlow 仓库，并应用上一篇技巧中提到的补丁。我们假设您检查了主目录中`tensorflow` 文件夹中的代码。
 
 1.  使用 Android Studio，从路径  `~/tensorflow/tensorflow/contrib/lite/java/demo`打开 Android 项目。如果它抱怨缺少 SDK 或 Gradle 组件，请安装这些组件并同步 Gradle。
-2.  构建项目并使用 API​​ > 21 在虚拟设备上运行它。
+2.  构建项目并使用`API​​ > 21`在虚拟设备上运行它。
 
 我们收到了以下警告，但构建成功了。 如果构建失败，您可能希望解决警告：
 

docs/mastering-tf-1x-zh/ch18.md

@@ -186,7 +186,7 @@ tfs.add_tensor_filter('has_inf_or_nan_filter', tfd.has_inf_or_nan)
 ```
 
 1.  现在，当代码执行`tfs.run()`时，调试器将在控制台中启动调试器接口，您可以在其中运行各种调试器命令来监视张量值。
-2.  我们提供了在`ch-18_mnist_tfdbg.py` 文件中试用`tfdbg`的代码。当我们用`python3`执行代码文件时，我们看到`tfdbg`控制台：< / li >
+2.  我们提供了在`ch-18_mnist_tfdbg.py` 文件中试用`tfdbg`的代码。当我们用`python3`执行代码文件时，我们看到`tfdbg`控制台：
 
 ```py
 python3 ch-18_mnist_tfdbg.py
@@ -194,7 +194,7 @@ python3 ch-18_mnist_tfdbg.py
 
 ![](img/028e301e-7560-4cc4-bc10-63625534c2c3.png)
 
-1.  在 `tfdbg>` 提示符下输入命令`run -f has_inf_or_nan` 。代码在第一个周期后中断，因为我们使用`np.inf`值填充数据：
+1.  在 `tfdbg>` 提示符下输入命令`run -f has_inf_or_nan` 。代码在第一个周期后中断，因为我们使用`np.inf`值填充数据：
 
 ![](img/5d59edaa-a409-4f87-ba9f-c690fbbe820a.png)