Merge branch 'master' into master

README.md

@@ -34,11 +34,11 @@ API的改动不是很大，本教程已经通过测试，保证能够在1.0中
 
 ## 说明
 
-修改错别字请直接提issue或PR
+- 修改错别字请直接提issue或PR
 
-PR时请注意版本
+- PR时请注意版本
 
-有问题也请直接提issue
+- 有问题也请直接提issue
 
 感谢
 
@@ -103,7 +103,7 @@ PR时请注意版本
 
 [tensorboardx](chapter4/4.2.2-tensorboardx.ipynb)
 
-[可视化理解卷积神经网络](chapter4/4.2.2-tensorboardx.ipynb)
+[可视化理解卷积神经网络](chapter4/4.2.3-cnn-visualizing.ipynb)
 
 #### 第三节 fastai
 #### 第四节 训练的一些技巧

chapter1/1.1-pytorch-introduction.md

@@ -41,9 +41,8 @@ PyTorch是一个Python包，提供两个高级功能：
 * 包含自动求导系统的的深度神经网络
 
 ## 1.1.4 对比PyTorch和Tensorflow
-没有好的框架，只有合适的框架， 这里有个简单的对比，所以这里就不详细再说了
-https://zhuanlan.zhihu.com/p/28636490
-并且技术是发展的，这里的对比也不是绝对的，比如Tensorflow在1.5版的时候就引入了Eager Execution机制实现了动态图，PyTorch的可视化,windows支持，沿维翻转张量等问题都已经不是问题了。
+没有好的框架，只有合适的框架， [这篇知乎文章](https://zhuanlan.zhihu.com/p/28636490)有个简单的对比，所以这里就不详细再说了。
+并且技术是发展的，知乎上的对比也不是绝对的，比如Tensorflow在1.5版的时候就引入了Eager Execution机制实现了动态图，PyTorch的可视化,windows支持，沿维翻转张量等问题都已经不是问题了。
 
 ## 1.1.5 再次总结
 
@@ -54,4 +53,4 @@ https://zhuanlan.zhihu.com/p/28636490
 - 不错的的文档（相比FB的其他项目，PyTorch的文档简直算是完善了，参考Thrift），PyTorch作者亲自维护的论坛 供用户交流和求教问题
 - 入门简单
 
-所以如果以上信息有吸引你的内容，那么请一定要读完这本书:)
+所以如果以上信息有吸引你的内容，那么请一定要读完这本书:)

chapter1/1.2-pytorch-installation.md

@@ -1,7 +1,7 @@
 # 1.2 Pytorch环境搭建
 PyTorch的安装十分简单，根据[PyTorch官网](https://pytorch.org/)，对系统选择和安装方式等灵活选择即可。
 这里以[anaconda](https://www.anaconda.com/)为例，简单的说一下步骤和要点。
-国内安装anaconda建议使用[清华](https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/)或者中科大[http://mirrors.ustc.edu.cn/help/anaconda.html]镜像，快的不是一点半点。
+国内安装anaconda建议使用[清华](https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/)或者[中科大](http://mirrors.ustc.edu.cn/help/anaconda.html)镜像，快的不是一点半点。
 
 # 1.2.1 安装Pytorch
 anaconda安装完成后可以开始创建环境，这里以win10 系统为例。打开Anaconda Prompt
@@ -35,7 +35,7 @@ conda install pytorch torchvision cudatoolkit=10.0 -c pytorch
 
 
 ```
-需要说明的一点是如果使用清华源，可以直接添加pytorch源镜像去掉，并且去掉`-c pytorch` 这样才能使用镜像源。
+需要说明的一点是如果使用清华镜像，可以直接添加pytorch源镜像去掉，并且去掉`-c pytorch` 这样才能使用镜像源。
 
 验证输入python 进入
 ```python

chapter2/2.1.2-pytorch-basics-autograd.ipynb

@@ -41,7 +41,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "在张量创建时，通过设置 requires_grad 标识为Ture来告诉Pytorch需要对该张量进行自动的求导，PyTorch会记录该张量的每一步操作历史并自动计算"
+    "在张量创建时，通过设置 requires_grad 标识为Ture来告诉Pytorch需要对该张量进行自动求导，PyTorch会记录该张量的每一步操作历史并自动计算"
    ]
   },
   {
@@ -98,7 +98,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "我们看到 该张量的grad_fn已经被赋予了一个新的函数，下面我们来调用反向传播函数，计算其梯度"
+    "我们看到 该张量的grad_fn已经被赋予了一个新的函数。下面我们来调用反向传播函数，计算其梯度"
    ]
   },
   {
@@ -225,7 +225,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "我们可以使用`with torch.no_grad()`禁止已经设置requires_grad=True的向量进行自动求导，这个方法在测试集测试准确率的时候回经常用到，例如"
+    "我们可以使用`with torch.no_grad()`上下文管理器临时禁止对已设置requires_grad=True的张量进行自动求导。这个方法在测试集计算准确率的时候会经常用到，例如"
    ]
   },
   {

chapter2/2.1.4-pytorch-basics-data-lorder.ipynb

@@ -17,7 +17,7 @@
     {
      "data": {
       "text/plain": [
-       "'1.0.0'"
+       "'1.0.1.post2'"
       ]
      },
      "execution_count": 1,
@@ -39,7 +39,7 @@
     "## Dataset\n",
     "Dataset是一个抽象类, 为了能够方便的读取，需要将要使用的数据包装为Dataset类。\n",
     "自定义的Dataset需要继承它并且实现两个成员方法：\n",
-    "1. `__getitem__()` 该方法定义每次怎么获取数据\n",
+    "1. `__getitem__()` 该方法定义用索引(`0` 到 `len(self)`)获取一条数据或一个样本\n",
     "2. `__len__()` 该方法返回数据集的总长度\n",
     "\n",
     "下面我们使用kaggle上的一个竞赛[bluebook for bulldozers](https://www.kaggle.com/c/bluebook-for-bulldozers/data)自定义一个数据集，为了方便介绍，我们使用里面的数据字典来做说明（因为条数少）"
@@ -75,7 +75,7 @@
     "        return len(self.df)\n",
     "    def __getitem__(self, idx):\n",
     "        '''\n",
-    "        根据IDX返回一列数据\n",
+    "        根据 idx 返回一列数据\n",
     "        '''\n",
     "        return self.df.iloc[idx].SalePrice"
    ]
@@ -120,7 +120,7 @@
     }
    ],
    "source": [
-    "#实现了__len__ 方法所以可以直接使用len获取数据总数\n",
+    "#实现了 __len__ 方法所以可以直接使用len获取数据总数\n",
     "len(ds_demo)"
    ]
   },
@@ -141,7 +141,7 @@
     }
    ],
    "source": [
-    "#用索引可以直接访问对应的数据\n",
+    "#用索引可以直接访问对应的数据, 对应 __getitem__ 方法\n",
     "ds_demo[0]"
    ]
   },
@@ -167,7 +167,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "DataLoader返回的是一个迭代器，我们可以使用迭代器分次获取数据"
+    "DataLoader返回的是一个可迭代对象，我们可以使用迭代器分次获取数据"
    ]
   },
   {
@@ -193,7 +193,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "或者直接使用for循环对其进行遍历"
+    "常见的用法是使用for循环对其进行遍历"
    ]
   },
   {
@@ -213,7 +213,7 @@
    "source": [
     "for i, data in enumerate(dl):\n",
     "    print(i,data)\n",
-    "    #这里只循环一遍\n",
+    "    # 为了节约空间, 这里只循环一遍\n",
     "    break"
    ]
   },
@@ -300,7 +300,7 @@
    "source": [
     "from torchvision import transforms as transforms\n",
     "transform = transforms.Compose([\n",
-    "    transforms.RandomCrop(32, padding=4),  #先四周填充0，在吧图像随机裁剪成32*32\n",
+    "    transforms.RandomCrop(32, padding=4),  #先四周填充0，在把图像随机裁剪成32*32\n",
     "    transforms.RandomHorizontalFlip(),  #图像一半的概率翻转，一半的概率不翻转\n",
     "    transforms.RandomRotation((-45,45)), #随机旋转\n",
     "    transforms.ToTensor(),\n",
@@ -350,7 +350,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.6.7"
+   "version": "3.6.8"
   }
  },
  "nbformat": 4,