From d4f1b93d4bec5b25f8595ca7298e35b2f430e27d Mon Sep 17 00:00:00 2001
From: wizardforcel <562826179@qq.com>
Date: Mon, 4 Jan 2021 16:22:54 +0800
Subject: [PATCH] 2021-01-04 16:22:54

---
 docs/1.md | 34 +++++++++++++++++-----------------
 docs/3.md |  2 +-
 2 files changed, 18 insertions(+), 18 deletions(-)

diff --git a/docs/1.md b/docs/1.md
index 7217283..03bedcb 100644
--- a/docs/1.md
+++ b/docs/1.md
@@ -83,7 +83,7 @@ Fruit flies like a banana.
 
 短语、句子或文档的 TF 表示仅仅是构成词的单热的总和。为了继续我们愚蠢的示例，使用前面提到的单热编码，`Fruit flies like time flies a fruit`这句话具有以下 TF 表示:[1,2,2,1,1,1,0,0]。注意，每个条目是句子（语料库）中出现相应单词的次数的计数。我们用 TF(w）表示一个单词的 TF。
 
-Example 1-1\. Generating a “collapsed”单热 or binary representation using scikit-learn
+示例 1-1：使用 sklearn 生成“塌陷的”单热或二进制表示
 
 ```py
 from sklearn.feature_extraction.text import CountVectorizer
@@ -111,7 +111,7 @@ sns.heatmap(one_hot, annot=True,
 
 其中`n[w]`是包含单词`w`的文档数量，`N`是文档总数。TF-IDF 分数就是`TF(w) * IDF(w)`的乘积。首先，请注意在所有文档（例如，`n[w] = N`）， `IDF(w)`为 0, TF-IDF 得分为 0，完全惩罚了这一项。其次，如果一个术语很少出现（可能只出现在一个文档中），那么 IDF 就是`log n`的最大值。
 
-Example 1-2\. Generating TF-IDF representation using scikit-learn
+示例 1-2：使用 sklearn 生产 TF-IDF 表示
 
 ```py
 from sklearn.feature_extraction.text import TfidfVectorizer
@@ -198,7 +198,7 @@ def describe(x):
 
 PyTorch 允许我们使用`torch`包以许多不同的方式创建张量。创建张量的一种方法是通过指定一个随机张量的维数来初始化它，如例 1-3 所示。
 
-Example 1-3\. Creating a tensor in PyTorch with torch.Tensor
+示例 1-3：在 PyTorch 中使用`torch.Tensor`创建张量
 
 ```py
 Input[0]:
@@ -215,7 +215,7 @@ tensor([[ 3.2018e-05,  4.5747e-41,  2.5058e+25],
 
 我们还可以创建一个张量通过随机初始化值区间上的均匀分布（`0,1`）或标准正态分布（从均匀分布随机初始化张量,说,是很重要的,正如您将看到的在第三章和第四章）,见示例 1-4。 
 
-Example 1-4\. Creating a randomly initialized tensor
+示例 1-4：创建随机初始化的张量
 
 ```py
 Input[0]：
@@ -239,7 +239,7 @@ tensor([[-0.1330, -2.9222, -1.3649],
 
 我们还可以创建张量，所有张量都用相同的标量填充。对于创建 0 或 1 张量，我们有内置函数，对于填充特定值，我们可以使用`fill_()`方法。任何带有下划线（`_`）的 PyTorch 方法都是指就地（in place）操作;也就是说，它在不创建新对象的情况下就地修改内容，如示例 1-5 所示。
 
-Example 1-5\. Creating a filled tensor
+示例 1-5：创建填充的张量
 
 ```py
 Input[0]:
@@ -272,7 +272,7 @@ tensor([[ 5.,  5.,  5.],
 
 示例 1-6 演示了如何通过使用 Python 列表以声明的方式创建张量。 
 
-Example 1-6\. Creating and initializing a tensor from lists
+示例 1-6：从列表创建和初始化张量
 
 ```py
 Input[0]:
@@ -290,7 +290,7 @@ tensor([[ 1.,  2., 3.],
 
 值可以来自列表（如前面的示例），也可以来自 NumPy 数组。当然，我们也可以从 PyTorch 张量变换到 NumPy 数组。注意，这个张量的类型是一个`double`张量，而不是默认的`FloatTensor`。这对应于 NumPy 随机矩阵的数据类型`float64`，如示例 1-7 所示。
 
-Example 1-7\. Creating and initializing a tensor from NumPy
+示例 1-7：从 NumPy 创建和初始化张量
 
 ```py
 Input[0]:
@@ -313,7 +313,7 @@ tensor([[ 0.8360,  0.8836,  0.0545],
 
 每个张量都有一个相关的类型和大小。使用`torch`时的默认张量类型。张量构造函数是`torch.FloatTensor`。但是，可以在初始化时指定张量，也可以在以后使用类型转换方法将张量转换为另一种类型（`float`、`long`、`double`等）。有两种方法可以指定初始化类型，一种是直接调用特定张量类型（如`FloatTensor`和`LongTensor`）的构造函数，另一种是使用特殊的方法`torch.tensor`，并提供`dtype`，如例 1-8 所示。
 
-Example 1-8\. Tensor properties
+示例 1-8：张量属性
 
 ```py
 Input[0]:
@@ -363,7 +363,7 @@ tensor([[ 1.,  2.,  3.],
 
 在创建了张量之后，可以像处理传统编程语言类型（如`+`、`-`、`*`和`/`）那样对它们进行操作。除了操作符，我们还可以使用`.add()`之类的函数，如示例 1-9 所示，这些函数对应于符号操作符。
 
-Example 1-9\. Tensor operations: addition
+示例 1-9：张量操作：加法
 
 ```py
 Input[0]:
@@ -397,7 +397,7 @@ tensor([[ 0.0923,  0.8048, -2.0231],
 
 还有一些运算可以应用到张量的特定维数上。正如您可能已经注意到的，对于 2D 张量，我们将行表示为维度 0，列表示为维度 1，如示例 1-10 所示。 
 
-Example 1-10\. Dimension-based tensor operations
+示例 1-10：基于维度的张量操作
 
 ```py
 Input[0]:
@@ -450,7 +450,7 @@ tensor([[ 0.,  3.],
 
 如果您是一个 NumPy 用户，那么您可能非常熟悉示例 1-11 中所示的 PyTorch 的索引和切片方案。
 
-Example 1-11\. Slicing and indexing a tensor
+示例 1-11：切片和索引张量
 
 ```py
 Input[0]:
@@ -482,7 +482,7 @@ Values:
 
 示例 1-12 演示了 PyTorch 还具有用于复杂索引和切片操作的函数，您可能对有效地访问张量的非连续位置感兴趣。
 
-Example 1-12\. Complex indexing: noncontiguous indexing of a tensor
+示例 1-12：复杂索引：张量的非连续索引
 
 ```py
 Input[0]:
@@ -517,7 +517,7 @@ tensor([ 0.,  4.])
 
 注意索引（indices）是一个长张量;这是使用 PyTorch 函数进行索引的要求。我们还可以使用内置的连接函数连接张量，如示例 1-13 所示，通过指定张量和维度。
 
-Example 1-13\. Concatenating tensors
+示例 1-13：连接张量
 
 ```py
 Input[0]:
@@ -564,7 +564,7 @@ tensor([[[ 0.,  1.,  2.],
 
 PyTorch 还在张量上实现了高效的线性代数操作，如乘法、逆和迹，如示例 1-14 所示。
 
-Example 1-14\. Linear algebra on tensors: multiplication
+示例 1-14：张量上的线性代数：乘法
 
 ```py
 Input[0]:
@@ -605,7 +605,7 @@ tensor([[  3.,   6.],
 
 PyTorch 张量类封装了数据（张量本身）和一系列操作，如代数操作、索引操作和整形操作。然而,1-15 所示的例子,当`requires_grad`布尔标志被设置为`True`的张量,记账操作启用,可以追踪的梯度张量以及梯度函数,这两个需要基于促进梯度学习讨论“监督学习范式”。
 
-Example 1-15\. Creating tensors for gradient bookkeeping
+示例 1-15：为梯度记录创建张量
 
 ```py
 Input[0]:
@@ -655,7 +655,7 @@ False
 
 PyTorch 使创建这些 CUDA 张量变得非常容易（示例 1-16），它将张量从 CPU 传输到 GPU，同时维护其底层类型。PyTorch 中的首选方法是与设备无关，并编写在 GPU 或 CPU 上都能工作的代码。在下面的代码片段中，我们首先使用`torch.cuda.is_available()`检查 GPU 是否可用，然后使用`torch.device`检索设备名。然后，将实例化所有未来的张量，并使用`.to(device)`方法将其移动到目标设备。
 
-Example 1-16\. Creating CUDA tensors
+示例 1-16：创建 CUDA 张量
 
 ```py
 Input[0]:
@@ -684,7 +684,7 @@ tensor([[ 0.9149,  0.3993,  0.1100],
 
 要对 CUDA 和非 CUDA 对象进行操作，我们需要确保它们在同一设备上。如果我们不这样做，计算就会中断，如下面的代码片段所示。例如，在计算不属于计算图的监视指标时，就会出现这种情况。当操作两个张量对象时，确保它们在同一个设备上。例子 1-17 所示。
 
-Example 1-17\. Mixing CUDA tensors with CPU bound tensors
+示例 1-17：混合 CUDA 张量和 CPU 绑定的张量
 
 ```py
 Input[0]
diff --git a/docs/3.md b/docs/3.md
index 956e584..fbb0394 100644
--- a/docs/3.md
+++ b/docs/3.md
@@ -26,7 +26,7 @@
 
 激活函数，这里用`f`表示，通常是一个非线性函数。示例 3-1 展示了 PyTorch 中的感知器实现，它接受任意数量的输入、执行仿射转换、应用激活函数并生成单个输出。
 
-Example 3-1\. Implementing a Perceptron using PyTorch
+示例 3-1：使用 PyTorch 实现感知机
 
 ```py
 import torch