辛苦了 ｜ Merge pull request #532 from zsdostar/patch-1

Fix doc mistake of 1.4/17.md

docs/1.4/17.md

@@ -45,7 +45,7 @@ $ python predict.py Schmidhuber
 
 Note
 
-从的下载数据，并将其提取到当前目录。
+- 从[这里](https://download.pytorch.org/tutorial/data.zip)下载数据，并将其提取到当前目录。
 
 `data/names`目录中包含 18 个文本文件，名为“ [Language] .txt”。 每个文件包含一堆名称，每行一个名称，大多数都是罗马化的(但我们仍然需要从 Unicode 转换为 ASCII）。
 
@@ -96,7 +96,7 @@ n_categories = len(all_categories)
 
 ```
 
-出：
+Out：
 
 ```
 ['data/names/French.txt', 'data/names/Czech.txt', 'data/names/Dutch.txt', 'data/names/Polish.txt', 'data/names/Scottish.txt', 'data/names/Chinese.txt', 'data/names/English.txt', 'data/names/Italian.txt', 'data/names/Portuguese.txt', 'data/names/Japanese.txt', 'data/names/German.txt', 'data/names/Russian.txt', 'data/names/Korean.txt', 'data/names/Arabic.txt', 'data/names/Greek.txt', 'data/names/Vietnamese.txt', 'data/names/Spanish.txt', 'data/names/Irish.txt']
@@ -122,9 +122,9 @@ Out:
 
 现在我们已经组织了所有名称，我们需要将它们转换为张量以使用它们。
 
-为了表示单个字母，我们使用大小为`<1 x n_letters>`的“ one-hot vector”。 一个热门向量用 0 填充，但当前字母的索引处的数字为 1，例如 `"b" = <0 1 0 0 0 ...>`。
+为了表示单个字母，我们使用大小为`<1 x n_letters>`的“ one-hot vector”。 一个热门向量用 0 填充，但当前字母的索引处的数字为 1，例如 `"b" = <0 1 0 0 0 ...>`。
 
-为了制造一个单词，我们将其中的一些连接成 2D 矩阵`&lt;line_length x 1 x n_letters&gt;`。
+为了制造一个单词，我们将其中的一些连接成 2D 矩阵`<line_length x 1 x n_letters>`。
 
 额外的 1 维是因为 PyTorch 假设所有内容都是批量的-我们在这里只使用 1 的批量大小。
 
@@ -232,7 +232,7 @@ tensor([[-2.9504, -2.8402, -2.9195, -2.9136, -2.9799, -2.8207, -2.8258, -2.8399,
 
 ```
 
-如您所见，输出为`&lt;1 x n_categories&gt;`张量，其中每个项目都是该类别的可能性(更高的可能性更大）。
+如您所见，输出为`<1 x n_categories>`张量，其中每个项目都是该类别的可能性(更高的可能性更大）。
 
 ## 训练
 
@@ -536,7 +536,7 @@ $ python predict.py Hazaki
 
 ```
 
-运行`server.py`并访问 [http：// localhost：5533 /您的名字](http://localhost:5533/Yourname)以获取预测的 JSON 输出。
+运行`server.py`并访问[http://localhost:5533/您的名字](http://localhost:5533/Yourname)以获取预测的 JSON 输出。
 
 ## 练习题