Fix English comment leak in JA 01-3.md

docs/ja/week01/01-3.md

@@ -87,11 +87,11 @@ The Jupyter Notebook can be found [here](https://github.com/Atcold/pytorch-Deep-
 
 ## [ランダム射影 - Jupyter Notebook](https://www.youtube.com/watch?v=5_qrxVq1kvc&t=1693s)
 
-Jupyter Notebook は [ここ](https://github.com/Atcold/pytorch-Deep-Learning/blob/master/02-space_stretching.ipynb)から見つかります。このノートブックを動かすためには、[`README.md`](https://github.com/Atcold/pytorch-Deep-Learning/blob/master/README.md)で説明されているような`pDL`環境をインストールしていなければなりません。 
+Jupyter Notebook は [ここ](https://github.com/Atcold/pytorch-Deep-Learning/blob/master/02-space_stretching.ipynb)から見つかります。このノートブックを動かすためには、[`README.md`](https://github.com/Atcold/pytorch-Deep-Learning/blob/master/README.md)で説明されているような`pDL`環境をインストールしていなければなりません。
 
 
 ### PyTorch `device`
-<!-- 
+<!--
 PyTorch can run on both the CPU and GPU of a computer. The CPU is useful for sequential tasks, while the GPU is useful for parallel tasks. Before executing on our desired device, we first have to make sure our tensors and models are transferred to the device's memory. This can be done with the following two lines of code: -->
 
 PyTorch はコンピュータの CPU と GPU の両方で動作します。CPUはシーケンシャルなタスクに、GPUはパラレルなタスクに適しています。目的のデバイスで実行する前に、まず、テンソルとモデルがデバイスのメモリに転送されていることを確認する必要があります。これは以下の2行のコードで行うことができます。
@@ -104,7 +104,7 @@ X = torch.randn(n_points, 2).to(device)
 <!-- The first line creates a variable, called `device`, that is assigned to the GPU if one is available; otherwise, it defaults to the CPU. In the next line, a tensor is created and sent to the device's memory by calling `.to(device)`. -->
 最初の行では、`device`という変数を作成し、GPUが利用可能であればGPUに代入します。次の行では、`.to(device)`を呼び出すことでテンソルが作成され、デバイスのメモリに送られます。
 
-<!-- 
+<!--
 ### Jupyter Notebook tip
 
 To see the documentation for a function in a notebook cell, use `Shift + Tab.` -->
@@ -167,14 +167,16 @@ Figure 4: hyperbolic tangent non-linearity
 <img src="{{site.baseurl}}/images/week01/01-3/tanh_lab1.png" width="250px" /><br>
 図4: tanh非線形性
 </center>
-<!-- 
+<!--
 The effect of this non-linearity is to bound points between $-1$ and $+1$, creating a square. As the value of $s$ in eq. (2) increases, more and more points are pushed to the edge of the square. This is shown in Fig. 5. By forcing more points to the edge, we spread them out more and can then attempt to classify them. -->
 この非線形性は、 $-1$ と $+1$ の間の点を束縛し、正方形を作ります。(2)式の $s$ の値が大きくなるにつれて、より多くの点が正方形の端に押し出されます。これを図5に示します。より多くの点を周辺に押し付けることで、点をより大きく広げることができ、これによって分類を試みることができます。
-<!-- 
+
+<!--
 | <img src="{{site.baseurl}}/images/week01/01-3/matrix_multiplication_with_nonlinearity_s=1_lab1.png" width="200px" /> | <img src="{{site.baseurl}}/images/week01/01-3/matrix_multiplication_with_nonlinearity_s=5_lab1.png" width="200px" /> |
 |                 (a) Non-linearity with $s=1$                 |                 (b) Nonlinearity with $s=5$                  |
 
-<center> Figure 5:   Non-linear Transformations </center> -->
+<center> Figure 5:   Non-linear Transformations </center>
+-->
 
 | <img src="{{site.baseurl}}/images/week01/01-3/matrix_multiplication_with_nonlinearity_s=1_lab1.png" width="200px" /> | <img src="{{site.baseurl}}/images/week01/01-3/matrix_multiplication_with_nonlinearity_s=5_lab1.png" width="200px" /> |
 |                 (a) $s=1$の非線形性                 |                 (b) $s=5$の非線形性                  |
@@ -198,4 +200,4 @@ Figure 6:  Transformation from an untrained neural network
 <center>
 <img src="{{site.baseurl}}/images/week01/01-3/untrained_nn_transformation_lab1.png" width="200px" /><br>
 図6:  学習されていないニューラルネットによる変換
-</center>
+</center>