summary (d2l-ai#671)

mindspore-courses · Feb 23, 2021 · da3f20f · da3f20f
1 parent 602b53c
commit da3f20f
Show file tree

Hide file tree

Showing 9 changed files with 9 additions and 9 deletions.
diff --git a/chapter_linear-networks/image-classification-dataset.md b/chapter_linear-networks/image-classification-dataset.md
@@ -269,7 +269,7 @@ for X, y in train_iter:
 
 我们现在已经准备好在下面的章节中使用Fashion-MNIST数据集。
 
-## 总结
+## 小结
 
 * Fashion-MNIST是一个服装分类数据集，由10个类别的图像组成。我们将在后续章节中使用此数据集来评估各种分类算法。
 * 我们将高度$h$像素，宽度$w$像素图像的形状记为$h \times w$或($h$, $w$)。

diff --git a/chapter_linear-networks/linear-regression-concise.md b/chapter_linear-networks/linear-regression-concise.md
@@ -316,7 +316,7 @@ b = net.get_weights()[1]
 print('b的估计误差：', true_b - b)
 ```
 
-## 总结
+## 小结
 
 :begin_tab:`mxnet`
 * 我们可以使用Gluon更简洁地实现模型。

diff --git a/chapter_linear-networks/linear-regression.md b/chapter_linear-networks/linear-regression.md
@@ -307,7 +307,7 @@ $$-\log P(\mathbf y \mid \mathbf X) = \sum_{i=1}^n \frac{1}{2} \log(2 \pi \sigma
 *Artificial Intelligence: A Modern Approach* :cite:`Russell.Norvig.2016`,
 中所说：虽然飞机可能受到鸟类的启发。但几个世纪以来，鸟类学并不是航空创新的主要驱动力。同样地，如今在深度学习中的灵感同样或更多地来自数学、统计学和计算机科学。
 
-## 总结
+## 小结
 
 * 机器学习模型中的关键要素是训练数据，损失函数，优化算法，还有模型本身。
 * 矢量化使数学表达上更简洁，同时运行的更快。

diff --git a/chapter_linear-networks/softmax-regression-concise.md b/chapter_linear-networks/softmax-regression-concise.md
@@ -127,7 +127,7 @@ d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
 
 和以前一样，这个算法收敛到一个相当高的精度，而且这次的代码行比以前少了。
 
-## 总结
+## 小结
 
 * 使用高级 API，我们可以更简洁地实现 softmax 回归。
 * 从计算的角度来看，实现softmax回归比较复杂。在许多情况下，深度学习框架在这些著名的技巧之外采取了额外的预防措施，来确保数值的稳定性。这使我们避免了在实践中从零开始编写模型时可能遇到的陷阱。

diff --git a/contrib/chapter_recommender-systems/autorec.md b/contrib/chapter_recommender-systems/autorec.md
@@ -104,7 +104,7 @@ d2l.train_recsys_rating(net, train_iter, test_iter, loss, trainer, num_epochs,
                         ctx, evaluator, inter_mat=test_inter_mat)
 ```
 
-## 总结
+## 小结
 
 * 我们可以使用自动编码器构建矩阵分解算法，同时还可以在其中整合非线性层和dropout正则化层。
 * MovieLens-100K数据集上的实验表明，自动编码器的性能优于矩阵分解模型。

diff --git a/contrib/chapter_recommender-systems/ctr.md b/contrib/chapter_recommender-systems/ctr.md
@@ -87,7 +87,7 @@ train_data[0]
 
 如你所见，这34个字段都是分类特征。每个数值都代表了对应条目的独热索引，标签$0$表示没有被点击。这里的`CTRDataset`也可以用来加载其他的数据集，例如Criteo展示广告挑战赛[数据集](https://labs.criteo.com/2014/02/kaggle-display-advertising-challenge-dataset/)和Avazu点击率预测[数据集](https://www.kaggle.com/c/avazu-ctr-prediction) 。
 
-## 总结
+## 小结
 
 * 点击率是一项很重要的指标，它能用于评估广告系统和推荐系统的性能。
 * 点击率预测经常被转化为二分类问题。该问题的目标是，在给定特征后，预测广告或物品是否会被点击。

diff --git a/contrib/chapter_recommender-systems/fm.md b/contrib/chapter_recommender-systems/fm.md
@@ -95,7 +95,7 @@ loss = gluon.loss.SigmoidBinaryCrossEntropyLoss()
 d2l.train_ch13(net, train_iter, test_iter, loss, trainer, num_epochs, ctx)
 ```
 
-## 总结
+## 小结
 
 * 因子分解机是一种通用框架，它可以应用在回归、分类和排序等一系列不同的任务上。
 * 对于预测任务来说，特征交互/交叉非常重要，而使用因子分解机可以高效地建模双路特征交互。

diff --git a/contrib/chapter_recommender-systems/mf.md b/contrib/chapter_recommender-systems/mf.md
@@ -154,7 +154,7 @@ scores = net(np.array([20], dtype='int', ctx=d2l.try_gpu()),
 scores
 ```
 
-## 总结
+## 小结
 
 * 矩阵分解模型在推荐系统中有着广泛的应用。它可以用于预测用户对物品的评分。
 * 我们可以为推荐系统实现和训练一个矩阵分解模型。

diff --git a/contrib/chapter_recommender-systems/movielens.md b/contrib/chapter_recommender-systems/movielens.md
@@ -140,7 +140,7 @@ def split_and_load_ml100k(split_mode='seq-aware', feedback='explicit',
     return num_users, num_items, train_iter, test_iter
 ```
 
-## 总结
+## 小结
 
 * MovieLens广泛用于推荐系统研究。它是免费且公开可用的。
 * 为了能在后续章节中使用，我们定义了一些函数用来下载和预处理MovieLens-100k数据集。