Merge branch 'master' of github.com:jikexueyuanwiki/tensorflow-zh

README.md

@@ -92,7 +92,7 @@ PS: 想探讨TensorFlow技术的可以加"TensorFlow技术交流群"：495115006
   - [Partial Differential Equations](SOURCE/tutorials/pdes.md) 翻译：([@wangaicc](https://github.com/wangaicc))√
   - [MNIST Data Download](SOURCE/tutorials/mnist_download.md) 翻译： ([@JoyLiu](https://github.com/fengsehng))
 - 运作方式
-  - [总览](SOURCE/how_tos/overview.md) 翻译： ([@Terence Cooper](https://github.com/TerenceCooper))
+  - [总览](SOURCE/how_tos/overview.md) 翻译： ([@Terence Cooper](https://github.com/TerenceCooper))√
   - [变量:创建、初始化、保存和加载](SOURCE/how_tos/variables.md) 翻译： ([@zhyhooo](https://github.com/zhyhooo))√ 校对： ([@jishaoming](https://github.com/jishaoming))
   - [TensorBoard:可视化学习](SOURCE/how_tos/summaries_and_tensorboard.md)翻译：([@thylaco1eo](https://github.com/thylaco1eo))√
   - [TensorBoard:图表可视化](SOURCE/how_tos/graph_viz.md)  翻译：([@Warln](https://github.com/Warln))√

SOURCE/how_tos/overview.md

@@ -1,90 +1,78 @@
-# Overview
+# 综述 Overview
 
 
-## Variables: Creation, Initializing, Saving, and Restoring
+## Variables: 创建，初始化，保存，和恢复
 
-TensorFlow Variables are in-memory buffers containing tensors.  Learn how to
-use them to hold and update model parameters during training.
+TensorFlow Variables 是内存中的容纳 tensor 的缓存。了解用它们在训练时(during training)保存和更新模型参数(model parameters) 的方法。
 
-[View Tutorial](../how_tos/variables/index.md)
+[参看教程](../how_tos/variables/index.md)
 
 
-## TensorFlow Mechanics 101
+## TensorFlow 机制 101 
 
-A step-by-step walk through of the details of using TensorFlow infrastructure
-to train models at scale, using MNIST handwritten digit recognition as a toy
-example.
+用 MNIST 手写数字识别作为一个小例子，一步一步的将使用 TensorFlow 基础架构(infrastructure)训练大规模模型的细节做详细介绍。
 
-[View Tutorial](../tutorials/mnist/tf/index.md)
+[参看教程](../tutorials/mnist/tf/index.md)
 
 
-## TensorBoard: Visualizing Learning
+## TensorBoard: 学习过程的视觉化 
 
-TensorBoard is a useful tool for visualizing the training and evaluation of
-your model(s).  This tutorial describes how to build and run TensorBoard as well
-as how to add Summary ops to automatically output data to the Events files that
-TensorBoard uses for display.
+对模型进行训练和评估时，TensorBoard 是一个很有用的工具。此教程解释了创建和运行 TensorBoard 的方法， 和添加摘要操作(Summary ops)的方法，通过添加摘要操作(Summary ops)，可以自动把数据输出到 TensorBoard 在展示时所使用的事件文件。
 
-[View Tutorial](../how_tos/summaries_and_tensorboard/index.md)
+[参看教程](../how_tos/summaries_and_tensorboard/index.md)
 
 
-## TensorBoard: Graph Visualization
+## TensorBoard: 图的视觉化 
 
-This tutorial describes how to use the graph visualizer in TensorBoard to help
-you understand the dataflow graph and debug it.
+此教程介绍了在 TensorBoard 中使用图的视觉化工具的方法，它可以帮助你理解 the dataflow graph 并 debug。
 
-[View Tutorial](../how_tos/graph_viz/index.md)
+[参看教程](../how_tos/graph_viz/index.md)
 
 
-## Reading Data
+## 数据读入 
 
-This tutorial describes the three main methods of getting data into your
-TensorFlow program: Feeding, Reading and Preloading.
+此教程解释了把数据传入 TensorSlow 程序的三种主要的方法： Feeding, Reading 和 Preloading.
 
-[View Tutorial](../how_tos/reading_data/index.md)
+[参看教程](../how_tos/reading_data/index.md)
 
 
-## Threading and Queues
+## 线程和队列 
 
-This tutorial describes the various constructs implemented by TensorFlow
-to facilitate asynchronous and concurrent training.
+此教程解释了 TensorFlow 中为更容易的进行异步和并发训练而实现的各种不同的结构(constructs)。
 
-[View Tutorial](../how_tos/threading_and_queues/index.md)
+[参看教程](../how_tos/threading_and_queues/index.md)
 
 
-## Adding a New Op
+## 添加新的 Op 
 
-TensorFlow already has a large suite of node operations from which you can
-compose in your graph, but here are the details of how to add you own custom Op.
+TensorFlow 已经提供一整套节点操作(operation)，你可以在你的 graph 中随意使用它们，不过这里有关于添加自定义操作(custom op)的细节。
 
-[View Tutorial](../how_tos/adding_an_op/index.md)
+[参看教程](../how_tos/adding_an_op/index.md)。
 
 
-## Custom Data Readers
+## 自定义数据的 Readers 
 
-If you have a sizable custom data set, you may want to consider extending
-TensorFlow to read your data directly in it's native format.  Here's how.
+如果你有相当大量的自定义数据集合，可能你想要对 TensorFlow 进行扩展，使它能直接以数据自身的格式将其读入。
 
-[View Tutorial](../how_tos/new_data_formats/index.md)
+[参看教程](../how_tos/new_data_formats/index.md)。
 
 
-## Using GPUs
+## 使用 GPUs 
 
-This tutorial describes how to construct and execute models on GPU(s).
+此教程描述了用 GPU 构建和运行模型的方法。
 
-[View Tutorial](../how_tos/using_gpu/index.md)
+[参看教程](../how_tos/using_gpu/index.md)
 
 
-## Sharing Variables
+## 共享变量 Sharing Variables
 
-When deploying large models on multiple GPUs, or when unrolling complex LSTMs
-or RNNs, it is often necessary to access the same Variable objects from
-different locations in the model construction code.
+当在多 GPU 上部署大型的模型，或展开复杂的 LSTMs 或 RNNs 时，在模型构建代码的不同位置对许多相同的 Variable 对象(objects)进行读写常常是必须的。
 
-The "Variable Scope" mechanism is designed to facilitate that.
+设计"Variable Scope" 机制的目的就是为了有助于上述任务的实现。
 
-[View Tutorial](../how_tos/variable_scope/index.md)
+[参看教程](../how_tos/variable_scope/index.md)。
 
+原文： [How-to](http://tensorflow.org/how_tos/index.html) 翻译：[Terence Cooper](https://github.com/TerenceCooper) 校对：
 <div class='sections-order' style="display: none;">
 <!--
 <!-- variables/index.md -->

SOURCE/resources/faq.md

@@ -6,7 +6,7 @@
 <!-- TOC-BEGIN This section is generated by neural network: DO NOT EDIT! -->
 ## 内容
 ### [常见问题](#AUTOGENERATED-frequently-asked-questions)
-* [建立 TensorFlow 图](#AUTOGENERATED-building-a-tensorflow-graph)
+* [建立 TensorFlow graph](#AUTOGENERATED-building-a-tensorflow-graph)
 * [运行 TensorFlow 计算过程](#AUTOGENERATED-running-a-tensorflow-computation)
 * [Variables](#AUTOGENERATED-variables)
 * [Tensor shapes](#AUTOGENERATED-tensor-shapes)
@@ -17,17 +17,17 @@
 
 <!-- TOC-END This section was generated by neural network, THANKS FOR READING! -->
 
-## 建立 TensorFlow 图 <a class="md-anchor" id="AUTOGENERATED-building-a-tensorflow-graph"></a>
+## 建立 TensorFlow graph <a class="md-anchor" id="AUTOGENERATED-building-a-tensorflow-graph"></a>
 
 参看
-[建立图的 API 文档](../api_docs/python/framework.md).
+[建立 graph 的 API 文档](../api_docs/python/framework.md).
 
 #### 为什么`c = tf.matmul(a, b)` 不立即执行矩阵相乘？ <a class="md-anchor" id="AUTOGENERATED-why-does--c---tf.matmul-a--b---not-execute-the-matrix-multiplication-immediately-"></a>
 
 在 TensorFlow 的 Python API 中, `a`, `b`, and `c` 都是
 [`Tensor`](../api_docs/python/framework.md#Tensor) 对象. 一个 `Tensor` 对象是一个操作(operation)结果的字符别名,它实际上并不储存操作(operation)输出结果的值。
-TensorFlow 鼓励用户去建立复杂的表达式（如整个神经网络及其梯度）来形成数据流的图。
-然后你可以将整体数据流图的计算过程交给一个 TensorFlow 的 [`Session`](../api_docs/python/client.md#Session),
+TensorFlow 鼓励用户去建立复杂的表达式（如整个神经网络及其梯度）来形成 data flow graph 。
+然后你可以将整个 data flow graph 的计算过程交给一个 TensorFlow 的 [`Session`](../api_docs/python/client.md#Session),
 此 `Session` 可以运行整个计算过程，比起操作(operations)一条一条的执行效率高的多。
 
 
@@ -39,17 +39,17 @@ TensorFlow 鼓励用户去建立复杂的表达式（如整个神经网络及其
 #### 如何在指定的设备上运行操作(operations)？ <a class="md-anchor" id="AUTOGENERATED-how-do-i-place-operations-on-a-particular-device-"></a>
 
 在 [`with tf.device(name):`](../api_docs/python/framework.md#device) context 中创建操作(operation)，这样可以在指定的设备上运行操作(operation)。
-关于 TensorFlow 怎样将操作(operation)分配给设备的细节，参看 [TensorFlow使用GPUs]; 使用多 GPU 的示范实例参看 [CIFAR-10 教程](../tutorials/deep_cnn/index.md)。
+关于 TensorFlow 怎样将操作(operations)分配给设备的细节，参看 [TensorFlow使用 GPU ](../how_tos/using_gpu/index.md); 使用多 GPU 的示范实例参看 [CIFAR-10 教程](../tutorials/deep_cnn/index.md)。
 
 
 #### 可用的 tensor 有哪些不同的类型？ <a class="md-anchor" id="AUTOGENERATED-what-are-the-different-types-of-tensors-that-are-available-"></a>
 
 TensorFlow 支持许多种不同的数据类型和 tensor shape ，更多细节请参看 [ranks, shapes, and type reference](../resources/dims_types.md)
 
-## 运行 TensorFlow 计算过程 <a class="md-anchor" id="AUTOGENERATED-running-a-tensorflow-computation"></a>
+## 运行 TensorFlow 计算过程。 <a class="md-anchor" id="AUTOGENERATED-running-a-tensorflow-computation"></a>
 
 参看
-[运行图的 API 文档](../api_docs/python/client.md).
+[运行 graph 的 API 文档](../api_docs/python/client.md).
 
 #### 请详细解释 feeding 和 placeholders？ <a class="md-anchor" id="AUTOGENERATED-what-s-the-deal-with-feeding-and-placeholders-"></a>
 
@@ -77,7 +77,7 @@ with tf.Session():
   print c.eval()
 ```
 
-在第二个例子中， session 的作用就象 [context manager](https://docs.python.org/2.7/reference/compound_stmts.html#with) ， context manager 在 `with` 块的生存期，将 session 作为默认的 session。对简单应用的情形（如单元测试），context manager 的方法可以得到更简洁的代码； 如果你的代码要处理多个图和 session ，更直白的方式可能是显式调用 `Session.run()`。
+在第二个例子中， session 的作用就象 [context manager](https://docs.python.org/2.7/reference/compound_stmts.html#with) ， context manager 在 `with` 块的生存期，将 session 作为默认的 session。对简单应用的情形（如单元测试），context manager 的方法可以得到更简洁的代码； 如果你的代码要处理多个 graph 和 session ，更直白的方式可能是显式调用 `Session.run()`。
 
 
 ####  Sessions 有生存期吗？ 调用时产生的 tensors 呢？<a class="md-anchor" id="AUTOGENERATED-do-sessions-have-a-lifetime--what-about-intermediate-tensors-"></a>
@@ -94,28 +94,28 @@ with tf.Session():
 
 #### 运行时会并行计算图的执行的各个部分(parts of graph execution)吗？ <a class="md-anchor" id="AUTOGENERATED-does-the-runtime-parallelize-parts-of-graph-execution-"></a>
 
-TensorFlow 运行时会在许多不同的层面(dimensions)并行图的执行：
+TensorFlow 运行时会在许多不同的层面(dimensions)并行图的执行(graph execution)：
 
 * 在一个CPU中用多核或是一个GPU中用多线程来并行许多单独的操作(operation)。
-* 在 TensorFlow 图中各个独立的节点可以在多个设备上并行，这样就提供了加速的可能。[CIFAR-10 用多 GPU 训练](../tutorials/deep_cnn/index.md).
+* 在 TensorFlow  graph 中各个独立的节点可以在多个设备上并行，这样就提供了加速的可能。[CIFAR-10 用多 GPU 训练](../tutorials/deep_cnn/index.md).
 * Session API 允许并行执行多并发的 steps （如 调用 [Session.run()](../api_docs/python/client.md#Session.run)）。
   如果单一的 step 不使用你计算机中所有的资源，这种方法可以使运行时有更高的吞吐量。
 
 #### TensorFlow 支持哪些客户端编程语言？ <a class="md-anchor" id="AUTOGENERATED-which-client-languages-are-supported-in-tensorflow-"></a>
 
-TensorFlow 被设计成为支持多种客户端语言。当前支持最好的客户端语言是 [Python](../api_docs/python/index.md)。 [C++ 客户端 API](../api_docs/cc/index.md) 提供了启动图和运行 steps 的接口； 我们还有一个 [用 C++ 建立图的 API](https://tensorflow.googlesource.com/tensorflow/+/master/tensorflow/cc/tutorials/example_trainer.cc)，此 API 是实验性的。
+TensorFlow 被设计成为支持多种客户端语言。当前支持最好的客户端语言是 [Python](../api_docs/python/index.md)。 [C++ 客户端 API](../api_docs/cc/index.md) 提供了启动 graph 和运行 steps 的接口； 我们还有一个 [用 C++ 建立 graph 的 API](https://tensorflow.googlesource.com/tensorflow/+/master/tensorflow/cc/tutorials/example_trainer.cc)，此 API 是实验性的。
 
 从社区的利益出发，我们想要支持更多的客户端语言。 TensorFlow 有一个 [基于 C 的客户端 API](https://tensorflow.googlesource.com/tensorflow/+/master/tensorflow/core/public/tensor_c_api.h)，它使得用许多不同的语言创建客户端变得很容易。我们请大家在新语言绑定上做出努力。
 
-#### TensorFlow 会利用我计算机上所有可用的设备（GPUs 和 CPUs）吗？Does TensorFlow make use of all the devices (GPUs and CPUs) available on my machine? <a class="md-anchor" id="AUTOGENERATED-does-tensorflow-make-use-of-all-the-devices--gpus-and-cpus--available-on-my-machine-"></a>
+#### TensorFlow 会利用我计算机上所有可用的设备（GPUs 和 CPUs）吗？ <a class="md-anchor" id="AUTOGENERATED-does-tensorflow-make-use-of-all-the-devices--gpus-and-cpus--available-on-my-machine-"></a>
 
 TensorFlow 支持多 GPU 和 CPU。 有关 TensorFlow 如何将操作(operations)分配到设备的细节请参看 [TensorFlow 如何使用 GPUs](../how_tos/using_gpu/index.md) 的文档，有关使用多 GPU 的示范实例请参看 [CIFAR-10 教程](../tutorials/deep_cnn/index.md)
 
 请注意， TensorFlow 只使用计算能力(compute capability)大于 3.5 的 GPU 设备。
 
 #### 当使用一个 reader 或 一个 queue 时，为什么 `Session.run()` 会挂起？ <a class="md-anchor" id="AUTOGENERATED-why-does--session.run----hang-when-using-a-reader-or-a-queue-"></a>
 
-[reader](../api_docs/python/io_ops.md#ReaderBase) 类和 [queue](../api_docs/python/io_ops.md#QueueBase) 类提供特殊的操作(operations)，这些操作(operations)在有可用的输入(对有界队列则是空闲空间)前会 *阻塞* 。使用这些操作(operations)你可以创建复杂的[输入流水线(input pipelines)](../how_tos/reading_data/index.md) ,不过，这会使 TensorFlow 的计算过程更复杂。有关如何使用这些操作(operations)的更多信息请参看 how-to 文档中的[使用 `QueueRunner` 对象控制 queues 和 readers](../how_tos/reading_data/index.md#QueueRunners)。
+[reader](../api_docs/python/io_ops.md#ReaderBase) 类和 [queue](../api_docs/python/io_ops.md#QueueBase) 类提供特殊的操作(operations)，这些操作(operations)在有可用的输入(对有界队列则是空闲空间)前会 *阻塞* 。使用这些操作(operations)你可以创建复杂的[输入流水线(input pipelines)](../how_tos/reading_data/index.md) ,不过，这会使 TensorFlow 的计算过程更复杂。有关如何使用这些操作(operations)的更多信息请参看 how-to 文档中的[使用 `QueueRunner` 对象来控制 queues 和 readers](../how_tos/reading_data/index.md#QueueRunners)。
 
 ## Variables <a class="md-anchor" id="AUTOGENERATED-variables"></a>
 
@@ -150,11 +150,11 @@ TensorFlow 支持多 GPU 和 CPU。 有关 TensorFlow 如何将操作(operations
 [`tf.reshape()`](../api_docs/python/array_ops.md#reshape) 操作(operation)会以不同的动态 shape 创建一个新的 tensor。
 
 
-#### 我怎么创建这样一个图，它在批次大小可变(variable batch sizes)的情形下也可以正常运作？ How do I build a graph that works with variable batch sizes? <a class="md-anchor" id="AUTOGENERATED-how-do-i-build-a-graph-that-works-with-variable-batch-sizes-"></a>
+#### 我怎么创建这样一个 graph ，它在批次大小可变(variable batch sizes)的情形下也可以正常运作？ <a class="md-anchor" id="AUTOGENERATED-how-do-i-build-a-graph-that-works-with-variable-batch-sizes-"></a>
 
-如果能够创建一个图，在批次大小可变(variable batch sizes)的情形下也可以正常运作将会是十分有用的，例如可以使用相同的代码完成（小）批量训练((mini-)batch training)和单例推导(single-instance inference)。这样生成的图可以[保存起来当作协议缓存(protocol buffer)](../api_docs/python/framework.md#Graph.as_graph_def)，也可以[导入至其他的程序](../api_docs/python/framework.md#import_graph_def)。
+如果能够创建一个 graph ，在批次大小可变(variable batch sizes)的情形下也可以正常运作将会是十分有用的，例如可以使用相同的代码完成（小）批量训练((mini-)batch training)和单例推导(single-instance inference)。这样生成的 graph 可以[保存起来当作协议缓存(protocol buffer)](../api_docs/python/framework.md#Graph.as_graph_def)，也可以[导入至其他的程序](../api_docs/python/framework.md#import_graph_def)。
 
-创建一个可变大小的图时，要记住最重要的事情是不要将批次大小(batch size)编码成为 Python 常数，而是用一个字符性(symbolic)的 `Tensor` 来表示。下面的提示可能会有用：
+创建一个可变大小的 graph 时，要记住最重要的事情是不要将批次大小(batch size)编码成为 Python 常数，而是用一个字符性(symbolic)的 `Tensor` 来表示。下面的提示可能会有用：
 
 * 用 [`batch_size = tf.shape(input)[0]`](../api_docs/python/array_ops.md#shape) 从一个叫 `input` 的 `Tensor` 提取批次的维度(batch dimention)，再将其存入一个名为 `batch_size` 的 `Tensor` 。
 
@@ -165,13 +165,13 @@ TensorFlow 支持多 GPU 和 CPU。 有关 TensorFlow 如何将操作(operations
 
 ## TensorBoard <a class="md-anchor" id="AUTOGENERATED-tensorboard"></a>
 
-#### 我怎样视觉化一个 TensorFlow 图？ <a class="md-anchor" id="AUTOGENERATED-how-can-i-visualize-a-tensorflow-graph-"></a>
+#### 我怎样视觉化一个 TensorFlow graph ？ <a class="md-anchor" id="AUTOGENERATED-how-can-i-visualize-a-tensorflow-graph-"></a>
 
-参看[图的视觉化教程](../how_tos/graph_viz/index.md).
+参看[ graph 的视觉化教程](../how_tos/graph_viz/index.md).
 
 #### 向 TensorBoard 发送数据的最简单的方法是什么？ <a class="md-anchor" id="AUTOGENERATED-what-is-the-simplest-way-to-send-data-to-tensorboard-"></a>
 
-给你的 TensorFlow 图增加 summary 操作(ops)，接着用 [`SummaryWriter`](../api_docs/python/train.md#SummaryWriter) 将这些 summaries 写入一个 log directory。然后用以下命令启动 TensorBoard 。
+给你的 TensorFlow  graph 增加 summary 操作(ops)，接着用 [`SummaryWriter`](../api_docs/python/train.md#SummaryWriter) 将这些 summaries 写入一个 log directory。然后用以下命令启动 TensorBoard 。
 
     python tensorflow/tensorboard/tensorboard.py --logdir=path/to/log-directory