Update 2.4-cnn.ipynb

chapter2/2.4-cnn.ipynb

@@ -129,7 +129,7 @@
     "5. C5层是最后一个卷积层，卷积核大小:5 * 5  卷积核种类:120\n",
     "6. 最后使用全连接层，将C5的120个特征进行分类，最后输出0-9的概率\n",
     "\n",
-    "一下代码来自[官方教程](https://pytorch.org/tutorials/beginner/blitz/neural_networks_tutorial.html)"
+    "以下代码来自[官方教程](https://pytorch.org/tutorials/beginner/blitz/neural_networks_tutorial.html)"
    ]
   },
   {
@@ -289,10 +289,10 @@
     "卷积层的参数减少。相比5x5、7x7和11x11的大卷积核，3x3明显地减少了参数量\n",
     "\n",
     "通过卷积和池化层后，图像的分辨率降低为原来的一半，但是图像的特征增加一倍，这是一个十分规整的操作:\n",
-    "分辨率由输入的224->112->56->28->14->7,\n",
+    "分辨率由输入的224->112->56->28->14->7，\n",
     "特征从原始的RGB3个通道-> 64 ->128 -> 256 -> 512\n",
     "\n",
-    "这为后面的网络提供了一个标准,我们依旧使用Pytorch官方实现版本来查看"
+    "这为后面的网络提供了一个标准，我们依旧使用Pytorch官方实现版本来查看"
    ]
   },
   {
@@ -366,7 +366,7 @@
     "- 使用1×1卷积块（NiN）来减少特征数量，这通常被称为“瓶颈”，可以减少深层神经网络的计算负担。\n",
     "- 每个池化层之前，增加 feature maps，增加每一层的宽度来增多特征的组合性\n",
     "\n",
-    "googlenet最大的特点就是包含若干个inception模块，所以有时候也称作 inception net\n",
+    "googlenet最大的特点就是包含若干个inception模块，所以有时候也称作 inception net。\n",
     "googlenet虽然层数要比VGG多很多，但是由于inception的设计，计算速度方面要快很多。\n",
     "\n",
     "![](googlenet.png)\n",
@@ -818,14 +818,14 @@
    "source": [
     "### ResNet\n",
     "2015，Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun [论文](https://arxiv.org/abs/1512.03385)\n",
-    "Kaiming He 何凯明（音译）这个大神大家一定要记住，现在很多论文都有他参与(mask rcnn, focal loss)，Jian Sun孙剑老师就不用说了，现在旷世科技的首席科学家\n",
+    "Kaiming He 何凯明（音译）这个大神大家一定要记住，现在很多论文都有他参与(mask rcnn, focal loss)，Jian Sun孙剑老师就不用说了，现在旷世科技的首席科学家。\n",
     "刚才的googlenet已经很深了，ResNet可以做到更深，通过残差计算，可以训练超过1000层的网络，俗称跳连接\n",
     "\n",
     "#### 退化问题\n",
     "网络层数增加，但是在训练集上的准确率却饱和甚至下降了。这个不能解释为overfitting，因为overfit应该表现为在训练集上表现更好才对。这个就是网络退化的问题，退化问题说明了深度网络不能很简单地被很好地优化\n",
     "\n",
     "#### 残差网络的解决办法\n",
-    "深层网络的后面那些层是恒等映射，那么模型就退化为一个浅层网络。那现在要解决的就是学习恒等映射函数了。让一些层去拟合一个潜在的恒等映射函数H(x) = x，比较困难。如果把网络设计为H(x) = F(x) + x。我们可以转换为学习一个残差函数F(x) = H(x) - x. 只要F(x)=0，就构成了一个恒等映射H(x) = x. 而且，拟合残差肯定更加容易。\n",
+    "深层网络的后面那些层是恒等映射，那么模型就退化为一个浅层网络。那现在要解决的就是学习恒等映射函数了。让一些层去拟合一个潜在的恒等映射函数H(x) = x，比较困难。如果把网络设计为H(x) = F(x) + x。我们可以转换为学习一个残差函数F(x) = H(x) - x。 只要F(x)=0，就构成了一个恒等映射H(x) = x. 而且，拟合残差肯定更加容易。\n",
     "\n",
     "以上又很不好理解，继续解释下，先看图：\n",
     "![](resnet.png)\n",