括号替换为英文的

example/tutorials/beginner/deep_learning_60min_bltiz.ipynb

@@ -20,7 +20,7 @@
     "\n",
     "### Tensors(张量)\n",
     "\n",
-    "Tensor 是 PyTorch 中重要的数据结构, 可认为是一个高维数组. 它可以是一个数（标量）、一维数组（向量）、二维数组（矩阵）以及更高维的数组. Tensor 和 Numpy 的 ndarrays 类似, 但 Tensor 可以使用 GPU 进行加速. Tensor 的使用和 Numpy 及 Matlab 的接口十分相似, 下面通过几个例子来看看 Tensor 的基本使用. "
+    "Tensor 是 PyTorch 中重要的数据结构, 可认为是一个高维数组. 它可以是一个数 (标量) 、一维数组 (向量) 、二维数组 (矩阵) 以及更高维的数组. Tensor 和 Numpy 的 ndarrays 类似, 但 Tensor 可以使用 GPU 进行加速. Tensor 的使用和 Numpy 及 Matlab 的接口十分相似, 下面通过几个例子来看看 Tensor 的基本使用. "
    ]
   },
   {
@@ -490,14 +490,14 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "### Variable（变量）"
+    "### Variable (变量) "
    ]
   },
   {
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "autograd.Variable 是包的核心类, 它包装了张量, 并且支持几乎所有的操作. 一旦你完成了你的计算, 你就可以调用 .backward() 方法, 然后所有的梯度计算会自动进行.你还可以通过 .data 属性来访问原始的张量, 而关于该 variable（变量）的梯度会被累计到 .grad 上去."
+    "autograd.Variable 是包的核心类, 它包装了张量, 并且支持几乎所有的操作. 一旦你完成了你的计算, 你就可以调用 .backward() 方法, 然后所有的梯度计算会自动进行.你还可以通过 .data 属性来访问原始的张量, 而关于该 variable (变量) 的梯度会被累计到 .grad 上去."
    ]
   },
   {
@@ -514,7 +514,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "如果你想计算倒数, 你可以在 Variable 上调用 .backward() 方法. 如果 Variable 是标量的形式（例如, 它包含一个元素数据）, 你不必指定任何参数给 backward(), 但是, 如果它有更多的元素. 你需要去指定一个 grad_output 参数, 该参数是一个匹配 shape（形状）的张量."
+    "如果你想计算倒数, 你可以在 Variable 上调用 .backward() 方法. 如果 Variable 是标量的形式 (例如, 它包含一个元素数据) , 你不必指定任何参数给 backward(), 但是, 如果它有更多的元素. 你需要去指定一个 grad_output 参数, 该参数是一个匹配 shape (形状) 的张量."
    ]
   },
   {
@@ -1129,7 +1129,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "### 3.优化器（更新权重）"
+    "### 3.优化器 (更新权重) "
    ]
   },
   {
@@ -1160,7 +1160,7 @@
     "optimizer = optim.SGD(net.parameters(),lr = 0.01)\n",
     "\n",
     "#在训练过程中\n",
-    "#先将梯度清零（与net.zero_grad()效果一样）\n",
+    "#先将梯度清零 (与net.zero_grad()效果一样) \n",
     "optimizer.zero_grad()\n",
     "\n",
     "#计算损失\n",
@@ -1561,7 +1561,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "此处仅训练了 2 个 epoch（遍历完一遍数据集称为一个 epoch ）, 来看看网络有没有效果. 将测试图片输入到网络中, 计算它的 label , 然后与实际的 label 进行比较. "
+    "此处仅训练了 2 个 epoch (遍历完一遍数据集称为一个 epoch ) , 来看看网络有没有效果. 将测试图片输入到网络中, 计算它的 label , 然后与实际的 label 进行比较. "
    ]
   },
   {