minor problems

chapter2/2.1.3-pytorch-basics-nerual-network.ipynb

@@ -97,7 +97,7 @@
     "    def forward(self, x): \n",
     "        print(x.size()) # 结果：[1, 1, 32, 32]\n",
     "        # 卷积 -> 激活 -> 池化 \n",
-    "        x = self.conv1(x) #根据卷积的尺寸计算公式，计算结果是30，具体计算公式后面第二张第四节 卷积神经网络 有详细介绍。\n",
+    "        x = self.conv1(x) #根据卷积的尺寸计算公式，计算结果是30，具体计算公式后面第二章第四节 卷积神经网络 有详细介绍。\n",
     "        x = F.relu(x)\n",
     "        print(x.size()) # 结果：[1, 6, 30, 30]\n",
     "        x = F.max_pool2d(x, (2, 2)) #我们使用池化层，计算结果是15\n",
@@ -299,7 +299,7 @@
    "source": [
     "**注意**:torch.nn只支持mini-batches，不支持一次只输入一个样本，即一次必须是一个batch。\n",
     "\n",
-    "也就是说，就算我们输入一个样本，也会对样本进行分批，所以，所有的输入都会增加一个维度，我们对比下刚才的input,nn中定义为3维,但是我们人工创建时多增加了一个维度，变为了4维,最前面的1即为batch-size"
+    "也就是说，就算我们输入一个样本，也会对样本进行分批，所以，所有的输入都会增加一个维度，我们对比下刚才的input，nn中定义为3维，但是我们人工创建时多增加了一个维度，变为了4维，最前面的1即为batch-size"
    ]
   },
   {
@@ -388,7 +388,7 @@
    "source": [
     "这样，神经网络的数据的一个完整的传播就已经通过PyTorch实现了，下面一章将介绍PyTorch提供的数据加载和处理工具，使用这些工具可以方便的处理所需要的数据。\n",
     "\n",
-    "看完这节，大家可能对神经网络模型里面的一些参数的计算方式还有疑惑，这部分会在第二张第四节 卷积神经网络 有详细介绍，并且在第三章 第二节 MNIST数据集手写数字识别 的实践代码中有详细的注释说明。"
+    "看完这节，大家可能对神经网络模型里面的一些参数的计算方式还有疑惑，这部分会在第二章第四节 卷积神经网络 有详细介绍，并且在第三章 第二节 MNIST数据集手写数字识别 的实践代码中有详细的注释说明。"
    ]
   },
   {