improve chinese translation of tutorial

torch_binding/TUTORIAL.zh_cn.md

@@ -1,31 +1,35 @@
 ## Torch教程
 
-确保您有安装并运行’Warp-ctc’ ‘’Luarocks在最顶层目录创建了torch_binding/rocks/warp-ctc-scm-1.rockspec
+为了确保您成功将‘Warp－CTC’和Torch绑定，请在warp－ctc根目录中运行“luarocks make torch_binding/rocks/warp-ctc-scm-1.rockspec”。
 
-使用Torch绑定/平台 （？），以便交互试验CTC
+现在，您可以非常容易的通过torch_binding来测试CTC。
 
 假如你的编译没有GPU支持，请用`torch.Tensor(...):float()`替代`torch.Tensor(...):cuda()`，用`cpu_ctc`取代`gpu_ctc` 
 
-CTC算法给出了输入序列与目标输出序列之间的损失。由于CTC普遍运用于神经网络，我们称输入序列为激活序列。目标输出序列是从一个固定的字母表中得出的。
-为了在此讨论， 我们选择了四个字母‘a,b,c,d’. 算法需要一个`<BLANK>`符号区别于字母。这就意味着激活序列会是一个五维向量序列（字母的数量加<BLANK>）。这个向量将会被转化成字母以及<BLANK>上的概率分布，包含一个SoftMax函数。所以比如一个长度为7的序列就会是（向量的组成部分是任意的）
+
+CTC是一种计算输入序列与目标输出序列之间相似程度的目标函数。由于CTC普遍运用于神经网络，我们称输入序列为激活序列。目标输出序列是从一个固定的字母表中得出的。
+为了在此讨论， 我们选择了四个字母‘a,b,c,d’. 算法需要一个`<空白>`符号区别于字母。这就意味着激活序列会是一个五维向量序列（字母的数量加<空白>）。这个向量（通过softmax函数）将会被转化成字母以及<空白>上的概率分布。
+
+比如CTC可以用来衡量一个长度为7的激活序列和标签 ‘daceba’之间的误差。
+
+一个长度为7的激活序列就会是（向量的组成部分是任意的）
 ```{<2,0,0,0,0>, <1,3,0,0,0>, <1,4,1,0,0>, <1,1,5,6,0>, <1,1,1,1,1>, <1,1,7,1,1>, <9,1,1,1,1>}```
 得到的有效输出序列即`daceba`.
 
 一开始我们会举一个非常简单的例子。在这个例子中我们会用一个长度为1的激活序列，以及一个长度为1的目标输出序列。
 为了指定这个激活序列，我们必须写下每一个五维向量的组成部分。我们使用`<0,0,0,0,0>`作为激活序列的单一向量，得到的概率分布及`0.2,0.2,0.2,0.2,0.2`. 
 对于目标输出，我们会用一个单一标签`a`.
 
-首先，我们如何将数据展现给算法？ 像平时使用Torch一样，激活表示要在一个2维张量中放入行。目标标签需要放入lua目录／表格 （？）, 每个目标标签序列都有一个对应的目录。
-我们每一个标签仅有一个序列，因此当标签`a`有指数1时，目录即`{{1}}` （指数0预留给空白符号）。因为我们允许输入不同长度的激活序列的可能性，我们需要指定
-输入激活序列的长度，在这个例子即带有一个lua目录`{1}`的1. 
+首先，我们如何将数据展现给算法？ 像平时使用Torch一样，激活表示要在一个2维张量中放入行。目标标签需要放入lua table, 每个目标标签序列都有一个对应的表。
+我们每一个标签仅有一个序列，因此当标签`a`有指数1时，表即`{{1}}` （指数0预留给空白符号）。因为我们允许输入不同长度的激活序列的可能性，我们需要指定
+输入激活序列的长度，在这个例子即包涵一个lua table`{1}`的1. 
 
-
-为了计算以上问题（单一元素输入序列，单一输出标签）的CTC损失函数的价值， 只有一种可能的映射／对齐方式（？），所以符号必须在第一个时间步（time step)发出。
+为了计算以上问题（单一元素输入序列，单一输出标签）的CTC损失函数的价值， 只有一种可能的对齐方式，所以符号必须在第一个时间步（time step)发出。
 发出符号的概率为`0.2`。 算法返回的负对数似然值为`-ln(0.2)=1.6094`.
 
-
 现在让我们通过代码来做计算。先从Torch部分开始，需要代码库。
 
+
 假如你有GPU的支持
 
 ```
@@ -44,7 +48,7 @@ th>require 'warp_ctc'
 th>acts = torch.Tensor({{0,0,0,0,0}}):cuda()
 ```
 
-假如一个空梯度张量通过，梯度计算则不能完成。
+假如输入为空，梯度计算则不能完成。
 
 ```
 th>grads = torch.Tensor():cuda()
@@ -66,13 +70,14 @@ th> gpu_ctc(acts, grads, labels, sizes)
 }
 ```
 
-对每一组序列，函数会返回CTC损失的一个lua目录
+对每一组序列，函数会返回CTC损失的一个lua table.
+
 
 现在，我们来看一个更有意思的例子。假如我们有一个长度为3的输入序列，激活后：
 
 `1,2,3,4,5`,`6,7,8,9,10` and `11,12,13,14,15`. 
 
-对应这些帧（？）的概率则为
+对应这些帧的概率则为
 
 `0.0117, 0.0317, 0.0861, 0.2341, 0.6364`
 
@@ -84,8 +89,7 @@ th>acts = torch.Tensor({{1,2,3,4,5},{6,7,8,9,10},{11,12,13,14,15}}):cuda()
 th>labels = {{3,3}}
 th>sizes = {3}
 ```
-CTC计算了所有可能映射的概率。请注意目标包涵了重复的符号`c`.CTC不能在连续的时间步上发出一个重复的符号(更多细节，请见 [link](http://www.cs.toronto.edu/~graves/icml_2006.pdf)).
-对于重复的符号必须用一个空白分开，所以唯一可能的映射序列为`c <BLANK> c`.
+CTC计算了所有可能对齐的概率。请注意目标包涵了重复的符号`c`.CTC不能在连续的时间步上发出重复的符号（更多细节，请见ttp://www.cs.toronto.edu/~graves/icml_2006.pdf）。对于重复的符号必须用一个空白分开，所以唯一可能的对齐序列为`c <BLANK> c`.
 
 CTC假设，在给定数据的情况下，标签概率是有条件独立的，所以我们期待的答案即`Pr(c at frame 1)*Pr(<BLANK> at frame 2)*Pr(c at frame 3) = 0.2341*0.0117*0.2341`
 and `-ln(0.2341*0.0117*0.2341) = 7.3522`.
@@ -107,7 +111,8 @@ th> gpu_ctc(acts, grads, labels, sizes)
 
 `0.0117, 0.0317, 0.0861, 0.2341, 0.6364`.
 
-由于重复的符号被折叠（？），空白被取消，现在有五种可能的映射
+
+由于重复的符号被清空，空白被取消，现在有五种可能的对齐
 `<BLANK> b c`, `b <BLANK> c`, `b c <BLANK>`, `b b c` and `b c c`. 
 
 结果应当是
@@ -167,5 +172,5 @@ th>gpu_ctc(acts, grads, labels, sizes)
 }
 ```
 
-为了获得梯度wrt, 接下来的激活序列仅通过一个相同大小的张量作为激活张量即可（？）
-如果想看更多例子，请见`torch_binding/tests/test.lua`。
+为了获取接下来激活的梯度，传递和激活张量同样大小的张量即可。
+如果想看更多例子，请见`torch_binding/tests/test.lua`。