zhanggyb / nndl Goto Github PK
View Code? Open in Web Editor NEWAnother Chinese Translation of Neural Networks and Deep Learning
License: Other
Another Chinese Translation of Neural Networks and Deep Learning
License: Other
My account was compromised, as a result many spam issues got created across multiple repos. I am deleting all such issues. Please check my tweet: https://x.com/arghyac35/status/1729721954909684064?s=20
直接看tex格式的效果太差,没找到美观的版本,麻烦明示网址。多谢!
用TeXworks单独编译这个文件的时候,显示“! LaTeX Error: Missing \begin{document}.”错误。把“\usepackage[default,mdseries=Light,bfseries=Medium,path=../fonts]{cjkfonts}”注释掉之后,正常编译,但字体就很丑了= =。可能是上面这个指令把“\begin{document}”淹没了。具体原因不详。
Mac运行bootstrap.sh删完了我系统的所以软件,运行的时候就觉得不对劲,怎么这么多rm命令。虽然及时停止了程序,但软件还是被删除了大部分😂
建议将规范化翻译成正则化,另外建议将关键的名词保留英文+括弧
底部"节约函数"应为"阶跃函数“
P77, 物理学“家”Hans Bethe。
P93,“识别”为同样的数字的。
P93,他们不只旋转,还“平移”和扭曲图像来扩展训练数据。
P129,不“同”位置累加许多不同高度的塔
P140,另一“方”面,如果你使用更深的线路,那么可以使用规模很小的线路来计算奇偶性。
P150,“取得”最高值约0.45
P153,“本章仍然在Beta版...”这段话已经在英文原文最新版上删除了。
P154,这样的浅层网络直到“00年代中期”都占据优势
P168,这样的一个“网络”真的应该被称为一个深度网络吗?
P169,“但除此之外,层的数目并不是首要的根本的点。”这句话需要意译。我尝试翻译了一版。
P169,“我们做出一个改动,在大部分情况下,我们得到了改进。”
P169,为了加快这⼀进程,你可能会发现回顾第三章关于如何选择一个神经网络的超参数的讨论“,以及看一些那一小节中建议的补充阅读,会有所帮助。“
P181,英文原文已经补充了一些
P184,我们允许网络中的元素能够以动态方式不断”变化“
P185,基于RNN 的方法,已经在”音素识别“中
P186,因此,”计算机文化很大程度上意味着认同计算机是完全照字面意义的";一个小小的分号放错便会完全改变和计算机的交互含义。
P186,我们期待着创造出意图驱动的用户”界面“
P187,采取了一些方法后可以避免”过拟合“
P189,像受控核聚变和其他技术一样,”已经有 60 多年一直认为还有 10 年的距离才能有重大发现。“
P189,还有”许多“相当开放的根本性问题
P75页上方,权重向量的长度是指权重向量的模吗?还有为什么长度很大的时候梯度下降带来的变化仅仅会引起在那个方向发生微小的变化。这句话怎么理解?
知乎上推荐神经网络入门,好多给的是这篇,英文水平不好,想看着中文版的对照着看着。
自己折腾了半天,图没有导进去。。。我有version0.2的,想要一个最新的
"直接跳到该表达式如何关联于小时的梯度问题的"应为"直接跳到该表达式如何关联于消失的梯度问题的"
140页翻译,"仅仅需要计算⽐特的对的奇偶性,然后使⽤这些结果来计算⽐特对的对的奇偶性"读起来很别扭,改成"仅仅需要计算⽐特对的奇偶性,然后使⽤这些结果来计算⽐特对的对的奇偶性"似乎更妥?
想要写论文的时候引用本书中文版,作者能否给个规范引用格式Bibtex
"如果你⽤的是 CPU,你可能需要对更复杂的实验减少训练gls*epoch 的数量"应为"如果你⽤的是 CPU,你可能需要对更复杂的实验减少训练epoch 的数量"
"注意,这如何调整从各⾃的隐藏神经元的贡献值"翻译成“注意观察各权重值的改变如何影响各隐藏神经元的贡献值“更妥
因为latex环境及字体的问题,尝试编译都失败了。请问您是否方便上传和分享最终的编译输出版本?谢谢!
"总体而⾔,我们的⽹络提供卓越的性能,特别是当你认为它们正确分类的 9,967 张图⽚,这是没有显⽰。在这种背景下,这⾥的不清晰的错误似乎是可以理解的。甚⾄⼀个细⼼的⼈也会偶尔犯错误。"应该是机器翻译的,不通。
"总体而言,我们的网络提供了出色的性能,尤其是当你考虑到它们正确分类了9,967张图像。 在这种背景下,这里的一些明显错误似乎是可以理解的。 即使是细心的人也会偶尔犯错误。"
./title.tex|12 error| LaTeX Error: File `cayley' not found.
\includegraphics{cayley}\\
with no experience with tex , tried many times but all failed,
so could you please release latest pdf version after some big changes?
循环神经网络特征跟时间相关,递归神经网络特征更强调空间上的树状
pooling 是否应该翻译成「池化」?
译者注:1.1感知器一节中加法电路图所示实际为半加器(不考虑低位进位),推演与真值表见下图:
半加器相关参考:
利用与非门设计全加器以及异或门
半加器与全加器
"对第⼆个卷积–池化层有20 x 20 x 12 个输⼊" 应该是20×12×12 ?
https://github.com/zhanggyb/nndl/blob/master/chap6.tex#L484
谢谢翻译。
原作写的好,翻译的也好。
我竟然看懂了,哈哈。
@zhanggyb
Perceptron
n. 感知器,[计] 感知机(模拟人类视神经控制系统的图形识别机)
感谢作者的辛勤工作
文中120页有一段话:
解决方案是设计一个神经网络,它的隐藏层有一个加权输出 σ−1 ◦ f(x),其中 σ−1 是 σ 函数
的倒数。
这个地方"σ−1 " 使用倒数不太合适。 在我们普通人的观点里,f(x)的倒数是1/f(x), 原文中说的是“the inverse of the σ function”,根据我的理解,这里应该还是反函数的意思。
"扩展训练数据的⼀个简单的⽅法是将每个训练图像由⼀个像素来代替,⽆论是上⼀个像素,⼀个像素,
左边⼀个像素,或右边⼀个像素"不妥,
“扩展训练数据的一种简单方法是将每个训练图像移动一个像素,即向上移动一个像素,向下移动一个像素,向左移动一个像素或向右移动一个像素。” 这样才是对的
I use TexLive 2015 and Ubuntu 14.04. After type "make", I got these errors:
`(/usr/local/texlive/2015/texmf-dist/tex/generic/pgf/frontendlayer/tikz/librarie
s/tikzlibrarypositioning.code.tex)
No file bump_3d.aux.
ABD: EveryShipout initializing macros
Package pgfplots Warning: running in backwards compatibility mode (unsuitable t
ick labels; missing features). Consider writing \pgfplotsset{compat=1.12} into
your preamble.
on input line 8.
! Package pgfkeys Error: I do not know the key '/tikz/xtick distance', to which
you passed '1', and I am going to ignore it. Perhaps you misspelled it.
See the pgfkeys package documentation for explanation.
Type H for immediate help.
...
l.62 \end{axis}
?
`
"但⽬前我们我们离这样的理想世界还"这里我们重复了
def update_mini_batch(self, mini_batch, eta):
(pdf第23页)这个函数的最后两行不是包含在for循环里的,望作者改正。
亚马逊的那个连接很慢,访问不了,能否提供其他下载方式呢?
Hi @zhanggyb ,
I wonder if I could download, revise, redistribute this project for free, under certain condition. However, no license is found for this project, except for the codes from the original author. Hence, could you please add an appropriate license for this project?
Many thanks.
LH
对于具有⼀个⾮常⼤偏置的感知器来说,输出 1 是很容易的。但是如果偏差是⼀个⾮常⼩的负数,输出 1 则很困难。
0.5版本p59练习题上方漏译了两段。试译如下,如有不妥处请指正:
顺便说一句,本书定义“交叉熵”一词的方式已经使一些早期读者感到困惑,因为它从表面上看似乎与其他定义不一致。特别是通常将两个概率分布$p_j$和$q_j$的交叉熵定义为$\sum_j p_j \ln q_j$。如果我们将单个S型神经元的输出视为由神经元的激活输出值$a$及其补$1-a$组成的概率分布,则该定义可与公式~\eqref{eq:57} 建立联系。
但是,当最后一层中有多个S型神经元时,激活向量$\bm a^L_j$通常不会形成概率分布。结果,像$\sum_j p_j \ln q_j$这样的定义甚至没有意义,因为我们不使用概率分布。相反,您可以将公式~\eqref{eq:63} 看作是每个神经元交叉熵的总和,每个神经元的激活都被解释为二元概率分布的一部分\footnote{当然,在我们的网络中没有概率元素,因此它们并不是真正的概率。}。从这个意义上讲,公式~\eqref{eq:63} 是概率分布的交叉熵定义的推广。
支持向量机(SVM)此处误写作 “支持向量机(SVN)”
0.5版 p156 局部感受野示意图有误。5x5画成了5x6,多画了一行。
v0.5 p156 截图:
原书配图是正确的:
链接:http://neuralnetworksanddeeplearning.com/chap6.html#introducing_convolutional_networks
[error]: xelatex: Command not found
may need install xelatex
文中讲述的是随机梯度下降(SGD),原文为“为此我们给它们⼀个实现随机梯度下降
算法的 SGD ⽅法。代码如下。”,但代码实现的是小批量随机梯度下降(MBGD),虽然函数名是SGD。
注意我已经把右下的与⾮⻔移动了⼀点,只是为了在图上更⽅⾯画箭头:
quote from 《机器学习》 by prof.周志华, "有文献译为逻辑回归....但...含义相去甚远..."(in page.58)
Thanks to your outstanding contribution in translation, many beginners would have an easier way to access NN~
Best wishes.
A declarative, efficient, and flexible JavaScript library for building user interfaces.
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
An Open Source Machine Learning Framework for Everyone
The Web framework for perfectionists with deadlines.
A PHP framework for web artisans
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
Some thing interesting about web. New door for the world.
A server is a program made to process requests and deliver data to clients.
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
Some thing interesting about visualization, use data art
Some thing interesting about game, make everyone happy.
We are working to build community through open source technology. NB: members must have two-factor auth.
Open source projects and samples from Microsoft.
Google ❤️ Open Source for everyone.
Alibaba Open Source for everyone
Data-Driven Documents codes.
China tencent open source team.