fix exacity#102

Chapter16/structured_probabilistic_modelling.tex

@@ -1001,7 +1001,7 @@ \section{学习\glsentrytext{dependency}关系}
 良好的生成模型需要准确地捕获所观察到的或``可见''变量$\RVv$上的分布。
 通常$\RVv$的不同元素彼此高度依赖。
 在\gls{DL}中，最常用于建模这些\gls{dependency}关系的方法是引入几个\gls{latent}或``隐藏''变量$\RVh$。
-然后，该模型可以捕获任何对（变量$\RSv_i$和$\RSv_j$间接\gls{dependency}可以通过$\RSv_i$和$\RVh$之间直接\gls{dependency}和$\RVv$和$\RSh_j$直接\gls{dependency}捕获)之间的\gls{dependency}关系。%??
+然后，该模型可以捕获任何对（变量$\RSv_i$和$\RSv_j$间接\gls{dependency}可以通过$\RSv_i$和$\RVh$之间直接\gls{dependency}和$\RVh$和$\RSv_j$直接\gls{dependency}捕获)之间的\gls{dependency}关系。%??
 % 572  end 
 
 

docs/_posts/2016-12-02-Chapter2_linear_algebra.md

@@ -515,7 +515,7 @@ $L^1$范数可以简化如下：
 <!-- % -- 39 -- -->
 
 例如，整数可以分解为质因数。
-我们可以用十进制或二进制等不同方式表示整数$12$，但是$12=2\times 3\times 3$永远是对的。
+我们可以用十进制或二进制等不同方式表示整数$12$，但是$12=2\times 2\times 3$永远是对的。
 从这个表示中我们可以获得一些有用的信息，比如$12$不能被$5$整除，或者$12$的倍数可以被$3$整除。
 
 
@@ -677,7 +677,7 @@ SVD\,最有用的一个性质可能是拓展矩阵求逆到非方矩阵上。我
 Moore-Penrose 伪逆使我们在这类问题上取得了一定的进展。
 矩阵$\MA$的伪逆定义为：
 \begin{equation}
-    \MA^+ = \lim_{a \searrow 0} (\MA^\top\MA + \alpha \MI)^{-1} \MA^\top.
+    \MA^+ = \lim_{\alpha \searrow 0} (\MA^\top\MA + \alpha \MI)^{-1} \MA^\top.
 \end{equation}
 计算伪逆的实际算法没有基于这个定义，而是使用下面的公式：
 \begin{equation}

docs/_posts/2016-12-16-Chapter16_structured_probabilistic_modelling.md

@@ -996,7 +996,7 @@ $E(\RVx)$被称作是能量函数。
 良好的生成模型需要准确地捕获所观察到的或"可见"变量$\RVv$上的分布。
 通常$\RVv$的不同元素彼此高度依赖。
 在深度学习中，最常用于建模这些依赖关系的方法是引入几个潜在或"隐藏"变量$\RVh$。
-然后，该模型可以捕获任何对（变量$\RSv_i$和$\RSv_j$间接依赖可以通过$\RSv_i$和$\RVh$之间直接依赖和$\RVv$和$\RSh_j$直接依赖捕获)之间的依赖关系。%??
+然后，该模型可以捕获任何对（变量$\RSv_i$和$\RSv_j$间接依赖可以通过$\RSv_i$和$\RVh$之间直接依赖和$\RVh$和$\RSv_j$直接依赖捕获)之间的依赖关系。%??
 <!-- % 572  end  -->