Get-started 校对完毕

SOURCE/get_started/basic_usage.md

@@ -13,36 +13,35 @@
 TensorFlow 是一个编程系统, 使用图来表示计算任务. 图中的节点被称之为 *op* 
 (operation 的缩写). 一个 op 获得 0 个或多个 `Tensor`, 执行计算,
 产生 0 个或多个 `Tensor `. 每个 Tensor 是一个类型化的多维数组. 
-例如, 你可以将一个 mini-batch 图像集表示为一个四维浮点数数组, 
+例如, 你可以将一小组图像集表示为一个四维浮点数数组, 
 这四个维度分别是 `[batch, height, width, channels]`.
 
 一个 TensorFlow 图*描述*了计算的过程. 为了进行计算, 图必须在 `会话` 里被启动.
-`会话` 将图的 op 分发到诸如 CPU 或 GPU 之类的 `设备` 上, 同时提供执行方法.
-这些方法执行 op 后, 将产生的 tensor 返回. 在 Python 语言中, 返回的 tensor 是
+`会话` 将图的 op 分发到诸如 CPU 或 GPU 之类的 `设备` 上, 同时提供执行 op 的方法.
+这些方法执行后, 将产生的 tensor 返回. 在 Python 语言中, 返回的 tensor 是
 [numpy](http://www.numpy.org) `ndarray` 对象; 在 C 和 C++ 语言中, 返回的 tensor 是
  `tensorflow::Tensor` 实例.
 
 ## 计算图 <a class="md-anchor" id="AUTOGENERATED-the-computation-graph"></a>
 
 TensorFlow 程序通常被组织成一个构建阶段, 和一个执行阶段. 在构建阶段, op 的执行步骤
-被描述成一个图. 在执行阶段, 使用会话执行执行图中的 op.
+被组装成一个图. 在执行阶段, 使用会话执行执行图中的 op.
 
-例如, 通常在构建阶段创建一个图来表示和训练神经网络, 然后在执行阶段反复执行图中的训练 op.
+例如, 通常在构建阶段创建一个图来表示和训练神经网络, 然后在执行阶段反复执行图中的一系列训练 op.
 
 TensorFlow 支持 C, C++, Python 编程语言. 目前, TensorFlow 的 Python 库更加易用,
 它提供了大量的辅助函数来简化组装图的工作, 这些函数尚未被 C 和 C++ 库支持.
 
-3 种语言的库对会话的支持是一致的.
+对这三种语言来说，会话库 (session libraries) 是一致的.
 
 ### 构建图 <a class="md-anchor" id="AUTOGENERATED-building-the-graph"></a>
 
-构建一个图的第一步, 是创建源 op. 源 op 不需要任何输入, `常量 (Constant)` 就是一种典型的源
-op. 源 op 的输出被传递给其它 op 做运算.
+构建图的第一步, 是创建源 op (source op). 源 op 不需要任何输入, 例如 `常量 (Constant)`. 源 op 的输出被传递给其它 op 做运算.
 
 Python 库中, op 构造器的返回值代表被构造出的 op 的输出, 这些返回值可以传递给其它
 op 构造器作为输入.
 
-TensorFlow Python 库有一个*默认图*, op 构造器可以为其增加节点. 这个默认图对
+TensorFlow Python 库有一个*默认图 (default graph)*, op 构造器可以为其增加节点. 这个默认图对
 许多程序来说已经足够用了. 阅读 [Graph 类](../api_docs/python/framework.md#Graph) 文档
 来了解如何管理多个图.
 
@@ -58,21 +57,19 @@ matrix1 = tf.constant([[3., 3.]])
 # 创建另外一个常量 op, 产生一个 2x1 矩阵.
 matrix2 = tf.constant([[2.],[2.]])
 
-# 创建一个矩阵乘法 op , 把 'matrix1' 和 'matrix2' 作为输入.
+# 创建一个矩阵乘法 matmul op , 把 'matrix1' 和 'matrix2' 作为输入.
 # 返回值 'product' 代表矩阵乘法的结果.
 product = tf.matmul(matrix1, matrix2)
 ```
 
-默认图现在有三个节点, 两个 `constant()` op, 和一个`matmul()` op. 在一个会话中启动
-默认图, 才会真正地运行矩阵乘法, 并获得乘法结果.
+默认图现在有三个节点, 两个 `constant()` op, 和一个`matmul()` op. 为了真正进行矩阵相乘运算, 并得到矩阵乘法的
+结果, 你必须在会话里启动这个图. 
 
 ### 在一个会话中启动图 <a class="md-anchor" id="AUTOGENERATED-launching-the-graph-in-a-session"></a>
 
-构造阶段结束后, 才能启动图. 启动图的第一步是创建一个 `Session` 对象, 如果无任何创建参数, 
+构造阶段完成后, 才能启动图. 启动图的第一步是创建一个 `Session` 对象, 如果无任何创建参数, 
 会话构造器将启动默认图.
 
-See the [Session class](../api_docs/python/client.md#session-management) for
-the complete session API.
 欲了解完整的会话 API, 请阅读[Session 类](../api_docs/python/client.md#session-management).
 
 ```python
@@ -83,9 +80,9 @@ sess = tf.Session()
 # 上面提到, 'product' 代表了矩阵乘法 op 的输出, 传入它是向方法表明, 我们希望取回
 # 矩阵乘法 op 的输出.
 #
-# 整个执行过程是自动化的, 会话负责传递 op 所需的全部输入. op 在执行时通常是并发的.
+# 整个执行过程是自动化的, 会话负责传递 op 所需的全部输入. op 通常是并发执行的.
 # 
-# 函数调用 'run(product)' 触发了图中三个 op (两个常量 op 和一个 矩阵算法 op) 的执行.
+# 函数调用 'run(product)' 触发了图中三个 op (两个常量 op 和一个矩阵乘法 op) 的执行.
 #
 # 返回值 'result' 是一个 numpy `ndarray` 对象.
 result = sess.run(product)
@@ -105,8 +102,9 @@ with tf.Session() as sess:
   print result
 ```
 
-在实现上, TensorFlow 将图定义翻译成可跨资源分布式执行的操作, 以充分利用可用的计算资源(如 CPU
-或 GPU). 一般你不需要显式指定使用 CPU 还是 GPU, TensorFlow 能自动检测. 如果检测到 GPU, TensorFlow 会尽可能地利用找到的第一个 GPU 来执行操作.
+在实现上, TensorFlow 将图形定义转换成分布式执行的操作, 以充分利用可用的计算资源(如 CPU
+或 GPU). 一般你不需要显式指定使用 CPU 还是 GPU, TensorFlow 能自动检测. 如果检测到 GPU, TensorFlow 
+会尽可能地利用找到的第一个 GPU 来执行操作.
 
 如果机器上有超过一个可用的 GPU, 除第一个外的其它 GPU 默认是不参与计算的. 为了让 TensorFlow 
 使用这些 GPU, 你必须将 op 明确指派给它们执行. `with...Device` 语句用来指派特定的 CPU 或 GPU
@@ -131,7 +129,7 @@ with tf.Session() as sess:
 
 ## 交互式使用 <a class="md-anchor" id="AUTOGENERATED-interactive-usage"></a>
 
-文档中的 Python 示例使用一个 [`Session`](../api_docs/python/client.md#Session) 来
+文档中的 Python 示例使用一个会话 [`Session`](../api_docs/python/client.md#Session) 来
 启动图, 并调用 [`Session.run()`](../api_docs/python/client.md#Session.run) 方法执行操作. 
 
 为了便于使用诸如 [IPython](http://ipython.org) 之类的 Python 交互环境, 可以使用
@@ -148,19 +146,19 @@ sess = tf.InteractiveSession()
 x = tf.Variable([1.0, 2.0])
 a = tf.constant([3.0, 3.0])
 
-# 使用初始化器 op 的 run() 方法初始化 'x' 
+# 使用初始化器 initializer op 的 run() 方法初始化 'x' 
 x.initializer.run()
 
-# 增加一个减法 op, 从 'x' 减去 'a'. 运行 op, 打印结果 
+# 增加一个减法 sub op, 从 'x' 减去 'a'. 运行减法 op, 输出结果 
 sub = tf.sub(x, a)
 print sub.eval()
 # ==> [-2. -1.]
 ```
 
 ## Tensor <a class="md-anchor" id="AUTOGENERATED-tensors"></a>
 
-TensorFlow 程序使用一个 tensor 数据结构来代表所有的数据, 计算图中, 操作间传递的数据都是 tensor.
-你可以认为一个 TensorFlow tensor 是一个 n 维的数组或列表. 一个 tensor 包含一个静态类型 rank, 和
+TensorFlow 程序使用 tensor 数据结构来代表所有的数据, 计算图中, 操作间传递的数据都是 tensor.
+你可以把 TensorFlow tensor 看作是一个 n 维的数组或列表. 一个 tensor 包含一个静态类型 rank, 和
 一个 shape. 想了解 TensorFlow 是如何处理这些概念的, 参见
 [Rank, Shape, 和 Type](../resources/dims_types.md).
 
@@ -171,18 +169,17 @@ TensorFlow 程序使用一个 tensor 数据结构来代表所有的数据, 计
 [变量](../how_tos/variables/index.md) 章节了解更多细节.
 
 ```python
-# 创建一个变量, 初始化为常量 0.
+# 创建一个变量, 初始化为标量 0.
 state = tf.Variable(0, name="counter")
 
-# 创建一个 op, 其作用是使 state 自增 1
+# 创建一个 op, 其作用是使 state 增加 1
 
 one = tf.constant(1)
 new_value = tf.add(state, one)
 update = tf.assign(state, new_value)
 
-# 变量必须通过一个`初始化` op 初始化
-
-# 启动图. 首先增加一个`初始化` op 到图中.
+# 启动图后, 变量必须先经过`初始化` (init) op 初始化,
+# 首先必须增加一个`初始化` op 到图中.
 init_op = tf.initialize_all_variables()
 
 # 启动图, 运行 op
@@ -204,21 +201,17 @@ with tf.Session() as sess:
 # 3
 ```
 
-代码中 `assign()` 操作是图所描绘的表达式的一部分, 正如 `add()` 一样. 在调用 `run()` 
+代码中 `assign()` 操作是图所描绘的表达式的一部分, 正如 `add()` 操作一样. 所以在调用 `run()` 
 执行表达式之前, 它并不会真正执行赋值操作.
 
-通常会将一个统计模型中的参数表示为一组变量. 例如, 你可以用一个 tensor 来表示某个神经网络的权重
-并存储在一个变量里. 在训练过程中, 通过重复运行训练图, 更新这个 tensor.
+通常会将一个统计模型中的参数表示为一组变量. 例如, 你可以将一个神经网络的权重作为某个变量存储在一个 tensor 中.
+在训练过程中, 通过重复运行训练图, 更新这个 tensor.
 
 ## Fetch <a class="md-anchor" id="AUTOGENERATED-fetches"></a>
 
-To fetch the outputs of operations, execute the graph with a `run()` call on
-the `Session` object and pass in the tensors to retrieve. In the previous
-example we fetched the single node `var`, but you can also fetch multiple
-tensors:
-为了拉取操作的输出, 在通过 `Session` 对象的 `call()` 调用执行图时, 可以传入一些 tensor,
-这些 tensor 会取回结果. 在之前的例子里, 我们只拉取了单个节点 `var`, 但是其实可以拉取多个
-tensor.
+为了取回操作的输出内容, 可以在使用 `Session` 对象的 `run()` 调用 执行图时, 传入一些 tensor,
+这些 tensor 会帮助你取回结果. 在之前的例子里, 我们只取回了单个节点 `state`, 但是你也可以取回多个
+tensor:
 
 
 ```python
@@ -242,10 +235,10 @@ with tf.Session():
 ## Feed <a class="md-anchor" id="AUTOGENERATED-feeds"></a>
 
 上述示例在计算图中引入了 tensor, 以常量或变量的形式存储. TensorFlow 还提供了 feed 机制, 该机制
-可以对图中任何操作提交补丁, 直接插入一个 tensor.
+可以临时替代图中的任意操作中的 tensor	可以对图中任何操作提交补丁, 直接插入一个 tensor.
 
-一个 feed 使用一个 tensor 值临时替换一个操作的输出. feed 的数据以 `run()` 调用参数的方式提供.
-feed 只在相关值被传递的时候才产生作用. 最常见的用法是直接将某些特殊的操作标记为 "feed" 操作,
+feed 使用一个 tensor 值临时替换一个操作的输出结果. 你可以提供 feed 数据作为 `run()` 调用的参数.
+feed 只在调用它的方法内有效, 方法结束, feed 就会消失. 最常见的用例是将某些特殊的操作指定为 "feed" 操作,
 标记的方法是使用 tf.placeholder() 为这些操作创建占位符. 
 
 ```python
@@ -262,7 +255,7 @@ with tf.Session() as sess:
 ```
 
 for a larger-scale example of feeds.
-如果没有为一个 `placeholder()` 操作提供 feed, 在执行时会产生一个错误.
+如果没有正确提供 feed, `placeholder()` 操作将会产生错误.
 [MNIST 全连通 feed 教程](../tutorials/mnist/tf/index.md)
 ([source code](https://tensorflow.googlesource.com/tensorflow/+/master/tensorflow/g3doc/tutorials/mnist/fully_connected_feed.py))
 给出了一个更大规模的使用 feed 的例子.

SOURCE/get_started/introduction.md

@@ -1,6 +1,6 @@
 # 简介 <a class="md-anchor" id="AUTOGENERATED-introduction"></a>
 
-本文档的目的是让你了解和运行 TensorFlow!
+本章的目的是让你了解和运行 TensorFlow!
 
 在开始之前, 让我们先看一段使用 Python API 撰写的 TensorFlow 示例代码, 
 让你对将要学习的内容有初步的印象.
@@ -11,7 +11,7 @@
 import tensorflow as tf
 import numpy as np
 
-# 使用 NumPy 生成假数据, 总共 100 个点.
+# 使用 NumPy 生成假数据(phony data), 总共 100 个点.
 x_data = np.float32(np.random.rand(2, 100)) # 随机输入
 y_data = np.dot([0.100, 0.200], x_data) + 0.300
 
@@ -43,10 +43,10 @@ for step in xrange(0, 201):
 ```
 
 
-为了进一步激发你的学习欲望, 我们建议你先了解一下 TensorFlow 如何解决经典机器
-学习问题. 在神经网络领域, 最最经典的问题莫过于 MNIST 手写数字分类问题. 我们准备了
-两份入门教程, 分别面向机器学习领域的初学者和专家. 如果你已经使用其它软件训练过许多
-MNIST 模型, 请阅读高级教程 (红色药丸链接). 如果你以前从未接触过 MNIST, 请阅读初级教程
+为了进一步激发你的学习欲望, 我们想让你先看一下 TensorFlow 是如何解决一个经典的机器
+学习问题的. 在神经网络领域, 最为经典的问题莫过于 MNIST 手写数字分类问题. 我们准备了
+两篇不同的教程, 分别面向机器学习领域的初学者和专家. 如果你已经使用其它软件训练过许多
+MNIST 模型, 请阅读高级教程 (红色药丸链接). 如果你以前从未听说过 MNIST, 请阅读初级教程
 (蓝色药丸链接). 如果你的水平介于这两类人之间, 我们建议你先快速浏览初级教程, 然后再阅读高级教程.
 
 <div style="width:100%; margin:auto; margin-bottom:10px; margin-top:20px; display: flex; flex-direction: row">
@@ -60,8 +60,8 @@ MNIST 模型, 请阅读高级教程 (红色药丸链接). 如果你以前从未
 <p style="font-size:10px;">图片由 CC BY-SA 4.0 授权; 原作者 W. Carter</p>
 
 如果你已经下定决心, 准备学习和安装 TensorFlow, 你可以略过这些文字, 直接阅读
-后面的章节. 不用担心, 你仍然会看到 MNIST -- 接下来的技术教程在阐述 TensorFlow 特性时,
-还会使用 MNIST 作为一个样例.
+后面的章节. 不用担心, 你仍然会看到 MNIST -- 在阐述 TensorFlow 的特性时,
+我们还会使用 MNIST 作为一个样例.
 
 ## 推荐随后阅读: <a class="md-anchor" id="AUTOGENERATED-recommended-next-steps-"></a>