Merge pull request d2l-ai#471 from PEGASUS1993/master

add some content and fix  some  small errors

Author: astonzhang

chapter_appendix/buy-gpu.md

@@ -20,13 +20,17 @@ GPU的性能主要由以下三个参数构成：
 
 对于大部分用户来说，只要考虑计算能力就可以了。显存尽量不小于4GB。但如果GPU要同时显示图形界面，那么推荐的显存大小至少为6GB。显存带宽通常相对固定，选择空间较小。
 
+一般来说，若想利用到GPU强大的计算能力，该显卡的CUDA Compute Capability 需不低于3.0，可以到NVIDIA官方网站 (https://developer.nvidia.com/cuda-gpus) 查询自己所用显卡的CUDA Compute Capability。下图是NVIDIA GeForce系列部分显卡的Compute Capability。  
+  
+![](https://i.imgur.com/DwaDMaB.png)  
+
 图11.19描绘了GTX 900和1000系列里各个型号的32位浮点计算能力和价格的对比。其中价格为Wikipedia的建议价格。
 
 ![浮点计算能力和价格的对比。](../img/gtx.png)
 
 我们可以从图11.19中读出两点信息：
 
-1. 在同一个系列里面，价格和性能大体上成正比。但后发布的型号性价比更高，例如980 TI和1080 TI。
+1. 在同一个系列里面，价格和性能大体上成正比。但后发布的型号性价比更高，例如980 Ti和1080 Ti。
 2. GTX 1000系列比900系列在性价比上高出2倍左右。
 
 如果大家继续比较GTX较早的系列，也可以发现类似的规律。据此，我们推荐大家在能力范围内尽可能买较新的GPU。

chapter_introduction/preface.md

@@ -64,7 +64,7 @@
 
 ## 教学资源和反馈
 
-本书的英文版 Dive into Deep Learning 将被用作加州大学伯克利分校2019年春学期“Introduction to Deep Learning”课程的教材。相关教学资源（课件、视频、更多习题等）将会在网上公布。诚然，将算法、公式、图片、代码和样例统一进一本适合阅读的书，而且又是一系列有交互式体验的 Jupyter 记事本，是对我们极大的挑战。书中难免有很多疏忽的地方，敬请大家原谅，并希望你能通过每一节后面的二维码向我们反馈问题。
+本书的英文版 Dive into Deep Learning 将被用作伯克利加州大学2019年春学期“Introduction to Deep Learning”课程的教材。相关教学资源（课件、视频、更多习题等）将会在网上公布。诚然，将算法、公式、图片、代码和样例统一进一本适合阅读的书，而且又是一系列有交互式体验的 Jupyter 记事本，是对我们极大的挑战。书中难免有很多疏忽的地方，敬请大家原谅，并希望你能通过每一节后面的二维码向我们反馈问题。
 
 结尾处，附上陆游的一句诗作为勉励：