fix table and image (#399)

Author: mslichao

B-教学案例与实践/B15-生成对抗网络/README.md

@@ -33,29 +33,29 @@
 
 生成对抗网络之所以这么火，离不开该网络及其变种的强大能力。下面就通过该网络相关的论文来看一下，生成对抗网络有多么的酷炫。
 
-首先是生成对抗网络的开篇论文，2014年Ian J. Goodfellow在他提出生成对抗网络的论文[\[3\]](#gan)中展示了该网络生成图片的能力，如图21-3所示：
+首先是生成对抗网络的开篇论文，2014年Ian J. Goodfellow在他提出生成对抗网络的论文[\[3\]](#gan)中展示了该网络生成图片的能力，如图21-3所示。
 
 <img src="./images/gan0.png" width="640" />
 
 图21-3 生成对抗网络生成的图片
 
 图21-3中，左侧五列是模型生成的图片，最右侧一列是在原始数据集中找出的和第五列最接近的图片，可以看到这些图片确实是新生成的，并不包含在原始数据集中。
 
-上面的生成的图片看起来有那么一点意思，但是生成的内容却是不可控的。 Mehdi Mirza等人提出GAN一个变种CGAN（Conditional Generative Adversarial Nets）[\[4\]](#cgan)，可以指定一些条件来控制生成的结果，比如在MNIST数据集中可以生成指定的数字。如图21-4所示，每行都是一个指定的数字（0-9）：
+上面的生成的图片看起来有那么一点意思，但是生成的内容却是不可控的。 Mehdi Mirza等人提出GAN一个变种CGAN（Conditional Generative Adversarial Nets）[\[4\]](#cgan)，可以指定一些条件来控制生成的结果，比如在MNIST数据集中可以生成指定的数字。如图21-4所示，每行都是一个指定的数字（0-9）。
 
 <img src="./images/cgan.png" width="640" />
 
 图21-4 CGAN的结果
 
-Xi Chen等人也提出了一种变种，叫做InfoGAN[\[5\]](#infogan)，它使用无监督的方法来学习特征，也可以产生不同属性的数据，该网络的效果如图21-5所示：
+Xi Chen等人也提出了一种变种，叫做InfoGAN[\[5\]](#infogan)，它使用无监督的方法来学习特征，也可以产生不同属性的数据，该网络的效果如图21-5所示。
 
 <img src="./images/infogan.png" width="640" />
 
 图21-5 InfoGAN的结果
 
 在图21-5中，(a)显示变量c1可以控制数字的类型（0-9），(c)显示变量c2可以控制数字的倾斜度，(d)显示变量c3可以控制笔划的粗细。
 
-Scott Reed等人还做了更复杂的试验[\[6\]](#gancls)，将文本和图像联系起来，可以跟据文本句子的描述生成对应的图像，如图21-6所示：
+Scott Reed等人还做了更复杂的试验[\[6\]](#gancls)，将文本和图像联系起来，可以跟据文本句子的描述生成对应的图像，如图21-6所示。
 
 <img src="./images/texttoimage.png" width="480" />
 
@@ -67,7 +67,7 @@ Scott Reed等人还做了更复杂的试验[\[6\]](#gancls)，将文本和图像
 
 图21-7 图片风格转换
 
-生成对抗网络还可以用于图像编辑。Yunjey Choi等人提出了StarGAN[\[8\]](#stargan)，可以对人脸进行编辑，包括改变头发颜色、性别、年龄、肤色以及表情。如图21-8所示：
+生成对抗网络还可以用于图像编辑。Yunjey Choi等人提出了StarGAN[\[8\]](#stargan)，可以对人脸进行编辑，包括改变头发颜色、性别、年龄、肤色以及表情。如图21-8所示。
 
 <img src="./images/stargan.png" width="640" />
 
@@ -193,7 +193,7 @@ loss_func = LossFunction_1_2(NetType.BinaryClassifier)
 
 然后更新生成器，此时用更新后的判别器重新输入假样本，得到新的输出后，再次进行反向传播，此时需要传播六层一直到生成器，但是只有生成器的三层需要计算梯度并更新。
 
-如图21-11显示了这个反向传播和更新的过程：
+如图21-11显示了这个反向传播和更新的过程。
 
 <img src="./images/ganbackward.png" width="640" />
 

B-教学案例与实践/B6-神经网络基本原理简明教程/Step1 - BasicKnowledge/01.3-神经网络的基本工作原理.md

@@ -90,7 +90,7 @@ $$A=\sigma{(Z)}$$
 
 #### 训练流程
 
-从真正的“零”开始学习神经网络时，我没有看到过任何一个流程图来讲述训练过程，大神们写书或者博客时都忽略了这一点，图1-16是一个简单的流程图：
+从真正的“零”开始学习神经网络时，我没有看到过任何一个流程图来讲述训练过程，大神们写书或者博客时都忽略了这一点，图1-16是一个简单的流程图。
 
 <img src="../Images/1/TrainFlow.png" />
 
@@ -104,7 +104,7 @@ $$A=\sigma{(Z)}$$
 
 #### 步骤
 
-假设我们有表1-1所示的训练数据样本：
+假设我们有表1-1所示的训练数据样本。
 
 表1-1 训练样本示例
 
@@ -129,7 +129,7 @@ $$A=\sigma{(Z)}$$
 
 ### 1.3.3 神经网络中的矩阵运算
 
-图1-17是一个两层的神经网络，包含隐藏层和输出层，输入层不算做一层：
+图1-17是一个两层的神经网络，包含隐藏层和输出层，输入层不算做一层。
 
 <img src="../Images/1/TwoLayerNN.png" ch="500" />
 
@@ -217,7 +217,7 @@ $$Z2 = A1 \cdot W2 + B2$$
 
 #### 回归（Regression）或者叫做拟合（Fitting）
 
-单层的神经网络能够模拟一条二维平面上的直线，从而可以完成线性分割任务。而理论证明，两层神经网络可以无限逼近任意连续函数。图1-18所示就是一个两层神经网络拟合复杂曲线的实例：
+单层的神经网络能够模拟一条二维平面上的直线，从而可以完成线性分割任务。而理论证明，两层神经网络可以无限逼近任意连续函数。图1-18所示就是一个两层神经网络拟合复杂曲线的实例。
 
 <img src="..\Images\1\sgd_result.png">
 
@@ -256,9 +256,9 @@ $$y=0.4x^2 + 0.3xsin(15x) + 0.01cos(50x)-0.3$$
 
 比如肘关节，可以完成小臂在一个二维平面上的活动。加上肩关节，就可以完成胳膊在三维空间的活动。再加上其它关节，就可以扩展胳膊活动的三维空间的范围。
 
-用表1-2来比喻两者之间的关系：
+用表1-2来对比人体运动组织和神经网络组织。
 
-表1-2
+表1-2 人体运动组织和神经网络组织的对比
 
 |人体运动组织|神经网络组织|
 |---|---|

B-教学案例与实践/B6-神经网络基本原理简明教程/Step1 - BasicKnowledge/02.0-反向传播与梯度下降.md

@@ -49,7 +49,7 @@
 
 ### 2.0.2 例二：黑盒子
 
-假设有一个黑盒子如图2-1：
+假设有一个黑盒子如图2-1。
 
 <img src="../Images/2/blackbox.png" />
 
@@ -70,7 +70,7 @@
 
 小明拿了一支步枪，射击100米外的靶子。这支步枪没有准星，或者是准星有问题，或者是小明眼神儿不好看不清靶子，或者是雾很大，或者风很大，或者由于木星的影响而侧向引力场异常......反正就是遇到各种干扰因素。
 
-第一次试枪后，拉回靶子一看，弹着点偏左了，于是在第二次试枪时，小明就会有意识地向右侧偏几毫米，再看靶子上的弹着点，如此反复几次，小明就会掌握这支步枪的脾气了。图2-2显示了小明的5次试枪过程：
+第一次试枪后，拉回靶子一看，弹着点偏左了，于是在第二次试枪时，小明就会有意识地向右侧偏几毫米，再看靶子上的弹着点，如此反复几次，小明就会掌握这支步枪的脾气了。图2-2显示了小明的5次试枪过程。
 
 <img src="../Images/2/target1.png" width="500" ch="500" />
 
@@ -125,7 +125,7 @@
 
 以上三个例子比较简单，容易理解，我们把黑盒子再请出来：黑盒子这件事真正的意义并不是猜测当输入是多少时输出会是4。它的实际意义是：我们要破解这个黑盒子！于是，我们会有如下破解流程：
 
-1. 记录下所有输入值和输出值，如表2-1：
+1. 记录下所有输入值和输出值，如表2-1。
 
 表2-1 样本数据表
 

B-教学案例与实践/B6-神经网络基本原理简明教程/Step1 - BasicKnowledge/02.1-线性反向传播.md

@@ -15,15 +15,15 @@ $$x = 2w + 3b \tag{2}$$
 
 $$y = 2b + 1 \tag{3}$$
 
-计算图如图2-4：
+计算图如图2-4。
 
 <img src="../Images/2/flow1.png" ch="500" />
 
 图2-4 简单线性计算的计算图
 
 注意这里x, y, z不是变量，只是计算结果。w, b是才变量。因为在后面要学习的神经网络中，我们要最终求解的是w和b的值，在这里先预热一下。
 
-当w = 3, b = 4时，会得到图2-5的结果：
+当w = 3, b = 4时，会得到图2-5的结果。
 
 <img src="../Images/2/flow2.png" ch="500" />
 

B-教学案例与实践/B6-神经网络基本原理简明教程/Step1 - BasicKnowledge/02.2-非线性反向传播.md

@@ -63,7 +63,7 @@ $$
 \Delta x = \Delta a / 2x \tag{根据式1}
 $$
 
-我们给定初始值$x=2，\Delta x=0$，依次计算结果如表2-2：
+我们给定初始值$x=2，\Delta x=0$，依次计算结果如表2-2。
 
 表2-2 正向与反向的迭代计算
 

B-教学案例与实践/B6-神经网络基本原理简明教程/Step1 - BasicKnowledge/03.1-均方差损失函数.md

@@ -35,7 +35,7 @@ $$
 
 ### 3.1.2 实际案例
 
-假设有一组数据如图3-3，我们想找到一条拟合的直线：
+假设有一组数据如图3-3，我们想找到一条拟合的直线。
 
 <img src="../Images/3/mse1.png" ch="500" />
 
@@ -79,7 +79,7 @@ $$
 
 #### 损失函数值的3D示意图
 
-横坐标为W，纵坐标为b，针对每一个w和一个b的组合计算出一个损失函数值，用三维图的高度来表示这个损失函数值。下图中的底部并非一个平面，而是一个有些下凹的曲面，只不过曲率较小，如图3-7：
+横坐标为W，纵坐标为b，针对每一个w和一个b的组合计算出一个损失函数值，用三维图的高度来表示这个损失函数值。下图中的底部并非一个平面，而是一个有些下凹的曲面，只不过曲率较小，如图3-7。
 
 <img src="../Images/3/lossfunction3d.png" ch="500" />
 
@@ -119,7 +119,7 @@ $$
  [0.68 0.66 0.64 ... 4.63 4.69 4.75]]
 ```
 
-然后遍历矩阵中的损失函数值，在具有相同值的位置上绘制相同颜色的点，比如，把所有值为0.72的点绘制成红色，把所有值为0.75的点绘制成蓝色......，这样就可以得到图3-9：
+然后遍历矩阵中的损失函数值，在具有相同值的位置上绘制相同颜色的点，比如，把所有值为0.72的点绘制成红色，把所有值为0.75的点绘制成蓝色......，这样就可以得到图3-9。
 
 <img src="../Images/3/lossfunction2d.png" ch="500" />
 

B-教学案例与实践/B6-神经网络基本原理简明教程/Step2 - LinearRegression/04.5-梯度下降的三种形式.md

@@ -240,7 +240,7 @@ if __name__ == '__main__':
 |epoch|3|10|60|
 |结果|w=2.003, b=2.990|w=2.006, b=2.997|w=1.993, b=2.998|
 
-表4-6比较了三种方式的结果，从结果看，都接近于$w=2,b=3$的原始解。最后的可视化结果图如图4-10，可以看到直线已经处于样本点比较中间的位置：
+表4-6比较了三种方式的结果，从结果看，都接近于$w=2,b=3$的原始解。最后的可视化结果图如图4-10，可以看到直线已经处于样本点比较中间的位置。
 
 <img src="../Images/4/mbgd-result.png" ch="500" />
 

B-教学案例与实践/B6-神经网络基本原理简明教程/Step2 - LinearRegression/05.3-样本特征数据归一化.md

@@ -164,7 +164,7 @@ B= [[242.15205099]]
 z= [[37366.53336103]]
 ```
 
-虽然损失函数值没有像我们想象的那样趋近于0，但是却稳定在了400左右震荡，这也算是收敛！看一下损失函数图像：
+虽然损失函数值没有像我们想象的那样趋近于0，但是却稳定在了400左右震荡，这也算是收敛！看一下损失函数图像。
 
 <img src="../Images/5/correct_loss.png" ch="500" />
 

B-教学案例与实践/B6-神经网络基本原理简明教程/Step3 - LinearClassification/06.4-线性二分类结果可视化.md

@@ -122,7 +122,7 @@ if __name__ == '__main__':
 ```Python
 params = HyperParameters(eta=0.1, max_epoch=10000, batch_size=10, eps=1e-3, net_type=NetType.BinaryClassifier)
 ```
-把max_epoch从100改成了10000，再跑一次：
+把max_epoch从100改成了10000，再跑一次。
 
 <img src="../Images/6/binary_loss_10k.png" ch="500" />
 

B-教学案例与实践/B6-神经网络基本原理简明教程/Step3 - LinearClassification/07.0-多入多出单层神经网络-线性多分类.md

@@ -42,7 +42,7 @@
 
 #### 线性多分类和非线性多分类的区别
 
-下图先示意了线性多分类和非线性多分类的区别：
+图7-2显示了线性多分类和非线性多分类的区别。
 
 <img src="../Images/7/linear_vs_nonlinear.png" />