2021-01-25 00:18:06

docs/dl-pt-workshop/1.md

@@ -532,12 +532,12 @@ for i in range(100):
 
 用于此活动的数据集来自 UC Irvine 机器学习存储库，[该存储库可使用以下 URL 从**数据文件夹**超链接中下载](https://archive.ics.uci.edu/ml/datasets/Somerville+Happiness+Survey)。 [也可以在本书的 GitHub 存储库中找到它](https://packt.live/38gzpr5)。
 
-1.  导入所需的库，包括用于读取 CSV 文件的Pandas。
+1.  导入所需的库，包括用于读取 CSV 文件的 Pandas。
 2.  读取包含数据集的 CSV 文件。
 
     注意
 
-    建议使用Pandas的`read_csv`函数加载 CSV 文件。 要了解有关此函数的更多信息，请访问[这里](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_csv.html)。
+    建议使用 Pandas 的`read_csv`函数加载 CSV 文件。 要了解有关此函数的更多信息，请访问[这里](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_csv.html)。
 
 3.  将输入特征与目标分开。 请注意，目标位于 CSV 文件的第一列中。 接下来，将值转换为张量，确保将值转换为浮点数。
 

docs/dl-pt-workshop/2.md

@@ -128,7 +128,7 @@ Rosenblatt 还介绍了权重的概念（`w1`，`w2`，...，`wn`），这些数
 
 ![Figure 2.7: Sigmoid activation function ](img/B15778_02_07.jpg)
 
-图 2.7：Sigmoid激活函数
+图 2.7：Sigmoid 激活函数
 
 下图显示了 Sigmoid 激活函数的图形表示：
 
@@ -437,7 +437,7 @@ EDA 流程很有用，因为它有助于开发人员发现对于定义操作过
     import pandas as pd
     ```
 
-3.  使用Pandas读取 CSV 文件，其中包含我们从 UC Irvine 机器学习存储库站点下载的数据集。
+3.  使用 Pandas 读取 CSV 文件，其中包含我们从 UC Irvine 机器学习存储库站点下载的数据集。
 
     接下来，删除名为`date`的列，因为我们不想在以下练习中考虑它：
 
@@ -631,7 +631,7 @@ EDA 流程很有用，因为它有助于开发人员发现对于定义操作过
     Y_shuffle = Y.sample(frac=1, random_state=0)
     ```
 
-    使用Pandas`sample`函数，可以对特征和目标矩阵中的元素进行混洗。 通过将`frac`设置为 1，我们确保所有实例都经过打乱并在函数的输出中返回。 使用`random_state`参数，我们确保两个数据集均被混洗。
+    使用 Pandas`sample`函数，可以对特征和目标矩阵中的元素进行混洗。 通过将`frac`设置为 1，我们确保所有实例都经过打乱并在函数的输出中返回。 使用`random_state`参数，我们确保两个数据集均被混洗。
 
 4.  使用索引将经过打乱的数据集分为特征和目标数据这三组：
 
@@ -747,7 +747,7 @@ EDA 流程很有用，因为它有助于开发人员发现对于定义操作过
 [也可以在本书的 GitHub 存储库中找到它](https://packt.live/38kZzZR)
 
 1.  导入所需的库。
-2.  使用Pandas，加载`.csv`文件。
+2.  使用 Pandas，加载`.csv`文件。
 3.  验证数据集中是否存在任何定性数据。
 4.  检查缺失值。
 

docs/dl-pt-workshop/3.md

@@ -110,7 +110,7 @@
 
 但是，在开始训练模型之前，必须处理一些关键方面。 您已经从上一章中了解了其中的大多数内容，这些内容将应用于当前数据集，并在目标特征中添加了类不平衡的修订：
 
-*   **看看数据**：使用Pandas读取数据集后，打印数据集的标题。 这有助于确保已加载正确的数据集。 此外，它还提供了准备后转换数据集的证据。
+*   **看看数据**：使用 Pandas 读取数据集后，打印数据集的标题。 这有助于确保已加载正确的数据集。 此外，它还提供了准备后转换数据集的证据。
 
     注意
 

docs/handson-nlp-pt-1x/4.md

@@ -81,7 +81,7 @@ The panda eats shoots and leaves
 The panda eats, shoots, and leaves
 ```
 
-在这里，加上逗号会将描述Pandas的饮食习惯的句子转换为描述Pandas武装抢劫餐馆的句子！ 尽管如此，为了保持一致性，能够从句子中删除标点符号仍然很重要。 我们可以使用`re`库在 Python 中执行此操作，以使用正则表达式匹配任何标点符号，并使用`sub()`方法将任何匹配的标点符号替换为空字符：
+在这里，加上逗号会将描述 Pandas 的饮食习惯的句子转换为描述 Pandas 武装抢劫餐馆的句子！ 尽管如此，为了保持一致性，能够从句子中删除标点符号仍然很重要。 我们可以使用`re`库在 Python 中执行此操作，以使用正则表达式匹配任何标点符号，并使用`sub()`方法将任何匹配的标点符号替换为空字符：
 
 ```py
 input_text = "This ,sentence.'' contains-£ no:: punctuation?"

docs/handson-nlp-pt-1x/6.md

@@ -173,7 +173,7 @@ CNN 背后的基本概念是卷积。 **卷积**本质上是一个滑动窗口
     train_data
     ```
 
-但是，在这里，我们正在处理`TorchText`数据集对象，而不是像我们以前所看到的那样，将数据集加载到Pandas中。 这意味着前面代码的输出如下：
+但是，在这里，我们正在处理`TorchText`数据集对象，而不是像我们以前所看到的那样，将数据集加载到 Pandas 中。 这意味着前面代码的输出如下：
 
 ![Figure 6.10 – Output of the TorchText object ](img/B12365_06_10.png)
 

docs/pt-dl-handson/2.md

@@ -513,11 +513,11 @@ tensor([[1]], dtype=torch.uint8)
 
 #### 注意
 
-**Sigmoid 激活**：激活函数在神经网络的各层之间创建非线性。 这是必不可少的，因为在没有非线性的情况下，各层只是将输入值与权重相乘。 在那种情况下，神经网络的单层可以完成 100 层的确切函数； 这只是增加或减少权重值的问题。 Sigmoid激活可能是最传统的激活函数。 它将输入压缩到`[0,1]`的范围。
+**Sigmoid 激活**：激活函数在神经网络的各层之间创建非线性。 这是必不可少的，因为在没有非线性的情况下，各层只是将输入值与权重相乘。 在那种情况下，神经网络的单层可以完成 100 层的确切函数； 这只是增加或减少权重值的问题。 Sigmoid 激活可能是最传统的激活函数。 它将输入压缩到`[0,1]`的范围。
 
 ![The functional module](img/B09475_02_10.jpg)
 
-图 2.10：Sigmoid激活
+图 2.10：Sigmoid 激活
 
 尽管 sigmoid 对输入非线性作用，但它不会产生以零为中心的输出。 逐渐梯度消失和计算上昂贵的取幂是 Sigmoid 曲线的其他缺点，由于这些原因，几乎所有深度学习从业人员如今都没有在任何用例中使用 Sigmoid 曲线。 找到合适的非线性是一个主要的研究领域，人们已经提出了更好的解决方案，例如 ReLU，Leaky ReLU 和 ELU。 在以后的章节中，我们将看到其中的大多数。
 

docs/pt-tut-17/21.md

@@ -18,7 +18,7 @@
 
 迄今为止，最早的也是最流行的对抗性攻击之一被称为*快速梯度符号攻击（FGSM）*，由[《解释和利用对抗性示例》](https://arxiv.org/abs/1412.6572)（Goodfellow 等）描述。 攻击非常强大，而且直观。 它旨在利用神经网络学习*梯度*的方式来攻击神经网络。 这个想法很简单，不是通过基于反向传播的梯度来调整权重来使损失最小化，攻击会基于相同的反向传播的梯度来调整输入数据，以使损失最大化。 换句话说，攻击使用损失相对于输入数据的梯度，然后调整输入数据以使损失最大化。
 
-在进入代码之前，让我们看一下著名的 [FGSM](https://arxiv.org/abs/1412.6572) Pandas示例，并提取一些符号。
+在进入代码之前，让我们看一下著名的 [FGSM](https://arxiv.org/abs/1412.6572) Pandas 示例，并提取一些符号。
 
 ![fgsm_panda_image](img/d74012096c3134b776b5e9f70e8178f3.png)
 

docs/rl-tf/01.md

@@ -98,7 +98,7 @@
 
 # Sigmoid 函数
 
-Sigmoid是一种平滑且连续可微的函数。 这导致非线性输出。 Sigmoid 函数在这里表示：
+Sigmoid 是一种平滑且连续可微的函数。 这导致非线性输出。 Sigmoid 函数在这里表示：
 
 ![](img/9241aa68-606b-4192-b3cc-ccb29f4ef110.png)
 
@@ -112,7 +112,7 @@ Sigmoid是一种平滑且连续可微的函数。 这导致非线性输出。 Si
 
 ![](img/d8011c52-5574-4521-a42d-e18893417c8d.png)
 
-Sigmoid得到广泛使用，但其缺点是该函数趋于 +3 和 -3 平坦。 因此，无论何时函数落在该区域中，梯度都趋于接近零，并且我们的神经网络学习停止。
+Sigmoid 得到广泛使用，但其缺点是该函数趋于 +3 和 -3 平坦。 因此，无论何时函数落在该区域中，梯度都趋于接近零，并且我们的神经网络学习停止。
 
 由于 Sigmoid 函数输出的值从 0 到 1，即全为正，因此它在原点周围是非对称的，并且所有输出信号都是正的，即具有相同的符号。 为了解决这个问题，已将 Sigmoid 函数缩放为 tanh 函数，我们将在下面进行研究。 而且，由于梯度导致的值很小，因此很容易遇到梯度消失的问题（我们将在本章稍后讨论）。
 

docs/rl-tf/13.md

@@ -64,7 +64,7 @@ Ross Girshick 的 [Fast R-CNN](https://arxiv.org/pdf/1504.08083.pdf)
 
 Fast R-CNN 解决了与 SPP 网络相关的关键问题； 由于空间池化层未进行微调，因此，Fast R-CNN 提供了端到端的学习网络。 Fast R-CNN 使用类似于最大池梯度计算的简单反向传播，但池区域重叠。
 
-此外，与 R-CNN 不同，Fast R-CNN 结合了边界框回归和神经网络训练，而 R-CNN 则使用边界框回归单独进行此区域优化，这有助于更好地定位。 因此，在Fast R-CNN 中，分类和定位不需要单独的网络。 结果，相对于之前开发的任何其他对象检测模型，总的训练时间显着减少，并且由于端到端学习，与 SPP 网络相比，其准确率更高。
+此外，与 R-CNN 不同，Fast R-CNN 结合了边界框回归和神经网络训练，而 R-CNN 则使用边界框回归单独进行此区域优化，这有助于更好地定位。 因此，在 Fast R-CNN 中，分类和定位不需要单独的网络。 结果，相对于之前开发的任何其他对象检测模型，总的训练时间显着减少，并且由于端到端学习，与 SPP 网络相比，其准确率更高。
 
 # Faster R-CNN