chap 14 sentence

Former-commit-id: 2d2768096e33ebf201cce24d6e36eeeb9469cf4f
wyfSunflower · Jan 3, 2017 · 0d82abc · 0d82abc
1 parent fee6ea5
commit 0d82abc
Show file tree

Hide file tree

Showing 3 changed files with 7 additions and 2 deletions.
diff --git a/Chapter14/autoencoders.tex b/Chapter14/autoencoders.tex
@@ -101,7 +101,7 @@ \subsection{\glsentrytext{sparse}\glsentrytext{AE}}
 
 \gls{sparse}\gls{AE}通常用于学习特征，以便用于其他任务如分类。
 \gls{sparse}\gls{regularization}的\gls{AE}必须反映训练数据集的独特统计特征，而不是简单地充当恒等函数。
-以这种方式训练，执行附带\gls{sparse}罚的复制任务可以得到能学习有用特征的模型。
+以这种方式训练，执行附带\gls{sparse}惩罚的复制任务可以得到能学习有用特征的模型。
 
 
 我们可以简单地将惩罚项$\Omega(\Vh)$视为加到\gls{feedforward_network}的正则项，这个\gls{feedforward_network}的主要任务是将输入复制到输出（\gls{unsupervised_learning}的目标），并尽可能地根据这些\gls{sparse}特征执行一些\gls{supervised_learning}任务（根据\gls{supervised_learning}的目标）。
@@ -269,7 +269,7 @@ \section{随机\glsentrytext{encoder}和\glsentrytext{decoder}}
 \else
 \centerline{\includegraphics{Chapter14/figures/stochastic-autoencoder}}
 \fi
-\caption{随机\gls{AE}的结构，其中\gls{encoder}和\gls{decoder}包括一些噪声注入，而不是简单的函。
+\caption{随机\gls{AE}的结构，其中\gls{encoder}和\gls{decoder}包括一些噪声注入，而不是简单的函数。
 这意味着可以将它们的输出视为来自分布的采样（对于\gls{encoder}是$p_{\text{encoder}}(\Vh \mid \Vx)$，对于\gls{decoder}是$p_{\text{decoder}}(\Vx\mid \Vh)$）。}
 \label{fig:chap14_stochastic-autoencoder}
 \end{figure}

diff --git a/README.md b/README.md
@@ -49,6 +49,7 @@ TODO
  2. ~~链接补全~~，12月14日已ok，大家可以帮忙检查文献引用是否正确，图片、章节和公式引用是否正确。
  3. 语句通顺
  4. ~~第20章正在校对，这章比较难估计还需2周~~，12月14日完成校对
+ 5. 转换为markdown或mobi格式，这可能需要花点时间写个python脚本。谁有兴趣可以贡献一下。没有的话，我2月28号搞下。
 
 
 实在有问题，请发邮件至`echo c3dvcmQueW9ya0BnbWFpbC5jb20K | base64 -d`。

diff --git a/acknowledgments_github.md b/acknowledgments_github.md
@@ -139,4 +139,8 @@
  - @endymecy ==> Chapter10, 公式20错误
 
 
+2017年1月3日
+---------------
+ - @endymecy ==> Chapter14, 语句问题
+