Chapter20 ok! NEED A BREAK ...

Former-commit-id: 152c92f06c602a5e9453f705532f4459b12b1243

.gitignore

@@ -21,7 +21,6 @@
 *.sh
 *.glo
 *.ist
-Chapter20
 agreement.jpg
 dlbook_cn_public.tex
 dlbook_cn_public.bib

Chapter7/regularization.tex

@@ -807,7 +807,7 @@ \section{\glsentrytext{sparse}\glsentrytext{representation}}
 其中$\alpha \in [0, \infty]$ 权衡范数惩罚项的相对贡献，越大的$\alpha$对应更多的\gls{regularization}。
 
 正如对参数的$L^1$惩罚诱导参数\gls{sparse}性，对\gls{representation}元素的$L^1$惩罚诱导\gls{sparse}的\gls{representation}：
-$\Omega(\Vh) = \norm(\Vh)_1 = \sum_i |h_i|$。
+$\Omega(\Vh) = \norm{\Vh}_1 = \sum_i |h_i|$。
 当然$L^1$惩罚是导致\gls{sparse}\gls{representation}的选择之一。
 其他包括从\gls{representation}上\ENNAME{Student} $t$先验导出的惩罚\citep{Olshausen+Field-1996,Bergstra-Phd-2011}和\gls{KL}惩罚\citep{Larochelle+Bengio-2008}有利于表示元素约束于单位区间上。
 <BAD>\cite{HonglakL2008-small}和\cite{Goodfellow2009}都提供了基于平均几个实例激活的\gls{regularization}策略的例子，$\sum_i^m \Vh^{(i)}$，使其接近某些目标值，如每项都是$.01$的向量。

README.md

@@ -23,7 +23,7 @@
 面向的读者
 --------------------
 
-请直接下载[PDF](https://github.com/exacity/deeplearningbook-chinese/releases/download/v0.1.2-alpha/dlbook_cn_v0.1.2-alpha.pdf)阅读(PDF 12月12日已更新)。
+请直接下载[PDF](https://github.com/exacity/deeplearningbook-chinese/releases/download/v0.2-alpha/dlbook_cn_v0.2-alpha.pdf)阅读(PDF 12月12日已更新)。
 这一版读起来肯定费劲，我们建议英文好的或者研究者直接读原版。
 这一版面向的读者是英语不好，急于想入门深度学习的同学。或者希望帮忙校对的各路大哥也可以读读，只要不嫌弃。
 
@@ -36,7 +36,7 @@
  - 由于版权问题，我们不能将图片和bib上传，请见谅。
  - Due to copyright issues, we would not upload figures and the bib file.
  - 可用于学习研究目的，不得用于任何商业行为。谢谢！
- - 大约每周release一个版本，[PDF](https://github.com/exacity/deeplearningbook-chinese/releases/download/v0.1.2-alpha/dlbook_cn_v0.1.2-alpha.pdf)文件每天更新。
+ - 大约每周release一个版本，[PDF](https://github.com/exacity/deeplearningbook-chinese/releases/download/v0.2-alpha/dlbook_cn_v0.2-alpha.pdf)文件每天更新。
  - 大家不要watch啊，邮箱可能会炸。
  - **先不要打印，这一版不值得打印，浪费钱，** 给我们一个月时间，我们给出我们自己满意的版本。打印版仅供学习参考和找茬纠错，正式出版后，希望大家多多支持纸质正版书籍。
 
@@ -45,10 +45,10 @@
 TODO
 ---------
 
- 1. 翻译图片描述
+ 1. 翻译图片描述，表格和算法
  2. 链接补全
  3. 语句通顺
- 4. 第20章正在校对，这章比较难估计还需2周
+ 4. ~~第20章正在校对，这章比较难估计还需2周~~，12月14日完成校对
 
 
 实在有问题，请发邮件至`echo c3dvcmQueW9ya0BnbWFpbC5jb20K | base64 -d`。
@@ -60,7 +60,7 @@ TODO
 
 如果我们采用了大家的建议，我们会列在这。具体见[acknowledgments_github.md](https://github.com/exacity/deeplearningbook-chinese/blob/master/acknowledgments_github.md)。
 
-@tttwwy @tankeco @fairmiracle @GageGao @huangpingchun @MaHongP @acgtyrant @yanhuibin315 @Buttonwood @titicacafz @weijy026a @RuiZhang1993 @zymiboxpay @xingkongliang @oisc @tielei @yuduowu @Qingmu
+@tttwwy @tankeco @fairmiracle @GageGao @huangpingchun @MaHongP @acgtyrant @yanhuibin315 @Buttonwood @titicacafz @weijy026a @RuiZhang1993 @zymiboxpay @xingkongliang @oisc @tielei @yuduowu @Qingmu @xiaomingabc
 
 
 

acknowledgments_github.md

@@ -20,24 +20,41 @@
  - @oisc ==>  Chapter2 公式2.83 2.84有误 是arg max
 
 
+
 2016年12月9日
 ------------
  - @fairmiracle ==> Chapter4 公式，语句，详见[issue](https://github.com/exacity/deeplearningbook-chinese/issues/3#issuecomment-265854595).
  - @huangpingchun ==> Chapter1 邻域==>领域
  - @tielei ==> Chapter9 equivariance
  - @yuduowu ==> contact issue
  - @minoriwww ==> Chapter2 "排布"==>"排列"
- - @khty2000 ==> Chapter2 "X_{-S}"问题，矩阵横列错误
+ - @khty2000 ==> Chapter2 "X{-S}"问题，矩阵横列错误
  - @Qingmu ==> 用WinEdit打开文件问题
  - @tielei ==> Chapter9 公式的index问题
 
 
+
 2016年12月10日
 -------------
  - @fairmiracle ==> Chapter5 "\Vy"==>"\Vx"；多余括号；in action，more frequently，more formally 提议校对，imputation 翻译建议
  - @huangpingchun ==> Chapter5 not completely formal or distinct concepts, VC维，imputation of missing data 翻译建议
  - @tielei ==> Chapter9 "full convolution"；翻译建议；"tiling range"
 
+
+
+2016年12月12日
+-------------
+ - @huangpingchun ==> Chapter7 "模型平均"重复
+
+
+
 2016年12月13日
 -------------
  - @huangpingchun ==> inference的统一翻译 
+ - @xiaomingabc ==> Chapter1 病句问题
+
+
+
+2016年12月14日
+--------------
+ - @fairmiracle ==> Chapter7 \norm 括号打错

deep_learning_research.tex

@@ -10,4 +10,4 @@ \part{深度学习研究}
 \input{Chapter17/monte_carlo_methods.tex}
 \input{Chapter18/confronting_the_partition_function.tex}
 \input{Chapter19/approximate_inference.tex}
-%\input{Chapter20/deep_generative_models.tex}
+\input{Chapter20/deep_generative_models.tex}

dlbook_cn.tex

@@ -67,6 +67,7 @@
 % my command
 \newcommand{\firstgls}[1]{\textbf{\gls{#1}}(\glsdesc{#1})}
 \newcommand{\firstacr}[1]{\textbf{\gls{#1}}~(\glssymbol{#1})}
+\newcommand{\glsacr}[1]{\gls{#1}~(\glssymbol{#1})}
 \newcommand{\firstall}[1]{\textbf{\gls{#1}}~(\glsdesc{#1}, \glssymbol{#1})}
 \newcommand{\ENNAME}[1]{\text{#1}}
 \newcommand{\NUMTEXT}[1]{\text{#1}}

terminology.tex

@@ -253,8 +253,8 @@
 \newglossaryentry{poor_conditioning}
 {
   name=病态条件数,
-  description={Poor Conditioning},
-  sort={Poor Conditioning},
+  description={poor conditioning},
+  sort={poor conditioning},
 }
 
 \newglossaryentry{objective_function}
@@ -266,7 +266,7 @@
 
 \newglossaryentry{criterion}
 {
-  name=判据,
+  name=准则,
   description={criterion},
   sort={criterion},
 }
@@ -1239,7 +1239,7 @@
 
 \newglossaryentry{weight_scaling_inference_rule}
 {
-  name=权重比例推理规则,
+  name=权重比例推断规则,
   description={weight scaling inference rule},
   sort={weight scaling inference rule},
 }
@@ -5190,7 +5190,7 @@
 
 \newglossaryentry{auto_regressive_network}
 {
-  name=自回归网络,
+  name=自动回归网络,
   description={auto-regressive network},
   sort={auto-regressive network}
 }
@@ -5201,3 +5201,76 @@
   description={generator network},
   sort={generator network}
 }
+
+\newglossaryentry{discriminator_network}
+{
+  name=生成器网络,
+  description={discriminator network},
+  sort={discriminator network},
+}
+
+\newglossaryentry{generative_moment_matching_network}
+{
+  name=生成矩匹配网络,
+  description={generative moment matching network},
+  sort={generative moment matching network},
+}
+
+\newglossaryentry{moment_matching}
+{
+  name=矩匹配,
+  description={moment matching},
+  sort={moment matching},
+}
+
+\newglossaryentry{moment}
+{
+  name=矩,
+  description={moment},
+  sort={moment},
+}
+
+\newglossaryentry{MMD}
+{
+  name=最大平均偏差,
+  description={maximum mean discrepancy},
+  sort={maximum mean discrepancy},
+  symbol={MMD}
+}
+
+\newglossaryentry{linear_auto_regressive_network}
+{
+  name=线性自动回归网络,
+  description={linear auto-regressive network},
+  sort={linear auto-regressive network}
+}
+
+\newglossaryentry{neural_auto_regressive_network}
+{
+  name=神经自动回归网络,
+  description={neural auto-regressive network},
+  sort={neural auto-regressive network}
+}
+
+\newglossaryentry{NADE}
+{
+  name=神经自动回归密度估计器,
+  description={neural auto-regressive density estimator},
+  sort={neural auto-regressive density estimator},
+  symbol={NADE}
+}
+
+\newglossaryentry{detailed_balance}
+{
+  name=细致平衡,
+  description={detailed balance},
+  sort={detailed balance},
+}
+
+\newglossaryentry{ABC}
+{
+  name=近似贝叶斯计算,
+  description={approximate Bayesian computation},
+  sort={approximate Bayesian computationA},
+  symbol={ABC}
+}