Update 2_autograd_tutorial.ipynb

Typos fixed.

chapter1/2_autograd_tutorial.ipynb

@@ -17,11 +17,11 @@
     "Autograd: 自动求导机制\n",
     "===================================\n",
     "\n",
-    "PyTorch 中所有神经网络的核心是 ``autograd`` 包.\n",
-    "我们先简单介绍一下这个包,然后训练第一个简单的神经网络.\n",
+    "PyTorch 中所有神经网络的核心是 ``autograd`` 包。\n",
+    "我们先简单介绍一下这个包，然后训练第一个简单的神经网络。\n",
     "\n",
-    "``autograd``包为张量上的所有操作提供了自动求导.\n",
-    "它是一个在运行时定义的框架,这意味着反向传播是根据你的代码来确定如何运行,并且每次迭代可以是不同的.\n",
+    "``autograd``包为张量上的所有操作提供了自动求导。\n",
+    "它是一个在运行时定义的框架，这意味着反向传播是根据你的代码来确定如何运行，并且每次迭代可以是不同的。\n",
     "\n",
     "\n",
     "示例\n",
@@ -29,14 +29,14 @@
     "张量（Tensor）\n",
     "--------\n",
     "\n",
-    "``torch.Tensor``是这个包的核心类.如果设置\n",
-    "``.requires_grad`` 为 ``True``, 那么将会追踪多有对于该张量的操作. \n",
-    "当完成计算后通过调用 ``.backward()``会自动计算所有的梯度.\n",
-    "这个张量的所有梯度将会自动积累到 ``.grad`` 属性.\n",
+    "``torch.Tensor``是这个包的核心类。如果设置\n",
+    "``.requires_grad`` 为 ``True``，那么将会追踪所有对于该张量的操作。 \n",
+    "当完成计算后通过调用 ``.backward()``，自动计算所有的梯度，\n",
+    "这个张量的所有梯度将会自动积累到 ``.grad`` 属性。\n",
     "\n",
-    "要阻止张量跟踪历史记录，可以调用``.detach（）``方法将其与计算历史记录分离，并禁止跟踪它将来的计算记录。\n",
+    "要阻止张量跟踪历史记录，可以调用``.detach()``方法将其与计算历史记录分离，并禁止跟踪它将来的计算记录。\n",
     "\n",
-    "为了防止跟踪历史记录（和使用内存），可以将代码块包装在``with torch.no_grad（）：``中。\n",
+    "为了防止跟踪历史记录（和使用内存），可以将代码块包装在``with torch.no_grad()：``中。\n",
     "在评估模型时特别有用，因为模型可能具有`requires_grad = True`的可训练参数，但是我们不需要梯度计算。\n",
     "\n",
     "在自动梯度计算中还有另外一个重要的类``Function``.\n",
@@ -48,11 +48,11 @@
     "``grad_fn is None``).\n",
     "\n",
     "``Tensor`` 和 ``Function``互相连接并生成一个非循环图，它表示和存储了完整的计算历史。\n",
-    "每个张量都有一个``.grad_fn``属性，这个属性引用了一个创建了``Tensor``的``Function``（除非这个张量是用户手动创建的 即 这个张量的\n",
+    "每个张量都有一个``.grad_fn``属性，这个属性引用了一个创建了``Tensor``的``Function``（除非这个张量是用户手动创建的，即，这个张量的\n",
     "``grad_fn`` 是 ``None``）。\n",
     "\n",
-    "如果需要计算导数，你可以在``Tensor``上调用``.backward（）``。 \n",
-    "如果``Tensor``是一个标量（即它包含一个元素数据）则不需要为``backward（）``指定任何参数，\n",
+    "如果需要计算导数，你可以在``Tensor``上调用``.backward()``。 \n",
+    "如果``Tensor``是一个标量（即它包含一个元素数据）则不需要为``backward()``指定任何参数，\n",
     "但是如果它有更多的元素，你需要指定一个``gradient`` 参数来匹配张量的形状。\n"
    ]
   },
@@ -132,7 +132,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "结果``y``已经被计算出来了，所以 ,  ``grad_fn``已经被自动生成了.\n",
+    "结果``y``已经被计算出来了，所以，``grad_fn``已经被自动生成了。\n",
     "\n"
    ]
   },
@@ -186,8 +186,8 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "``.requires_grad_( ... )`` 改变了现有张量的 ``requires_grad``\n",
-    ".如果没有指定的话，默认输入的flag是 ``False``.\n",
+    "``.requires_grad_( ... )`` 可以改变现有张量的 ``requires_grad``属性。\n",
+    "如果没有指定的话，默认输入的flag是 ``False``。\n",
     "\n"
    ]
   },
@@ -223,7 +223,7 @@
     "梯度\n",
     "---------\n",
     "反向传播\n",
-    "因为 ``out``是一个纯量（scalar）, ``out.backward()`` 等于``out.backward(torch.tensor(1))``.\n",
+    "因为 ``out``是一个纯量（scalar），``out.backward()`` 等于``out.backward(torch.tensor(1))``。\n",
     "\n"
    ]
   },
@@ -334,7 +334,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "如果``.requires_grad=True``但是你有不希望进行autograd的计算，\n",
+    "如果``.requires_grad=True``但是你又不希望进行autograd的计算，\n",
     "那么可以将变量包裹在 ``with torch.no_grad()``中:\n"
    ]
   },