Merge pull request #78 from tensorfly/master

modify mandelbrot.md and pdes.md
jikexueyuanwiki · Dec 2, 2015 · 46b9287 · 46b9287
2 parents 1baf217 + 6a8243f
commit 46b9287
Show file tree

Hide file tree

Showing 2 changed files with 21 additions and 21 deletions.
diff --git a/SOURCE/tutorials/mandelbrot.md b/SOURCE/tutorials/mandelbrot.md
@@ -1,11 +1,11 @@
 # 曼德布洛特(Mandelbrot)集合 <a class="md-anchor" id="AUTOGENERATED-mandelbrot-set"></a>
-虽然可视化曼德布洛特(Mandelbrot)集合与机器学习没有任何关系，但这是将TensorFlow应用在基础数学上的一个有趣的例子。这是一个有趣简单的可视化的实现。（我们将提供一个更复杂的实现来产生更多真正美丽的图像）。
+虽然可视化曼德布洛特(Mandelbrot)集合与机器学习没有任何关系，但这对于将TensorFlow应用在数学更广泛的领域是一个有趣的例子。实际上，这是tensorflow一个非常直截了当的可视化运用。（我们最终也许会提供一种更加精心设计的运用方式来生成真正更加美丽的图像。）
 
 说明：本教程使用了IPython的notebook。
 
 ## 基本步骤 <a class="md-anchor" id="AUTOGENERATED-basic-setup"></a>
 
-开始时，我们需要导入一些库。
+首先，我们需要导入一些库。
 
 ```python
 # 导入仿真库
@@ -36,15 +36,15 @@ def DisplayFractal(a, fmt='jpeg'):
   display(Image(data=f.getvalue()))
 ```
 
-## 会话和变量初始化 <a class="md-anchor" id="AUTOGENERATED-session-and-variable-initialization"></a>
+## 会话（session）和变量（variable）初始化 <a class="md-anchor" id="AUTOGENERATED-session-and-variable-initialization"></a>
 
-为了达到这样的目的，我们常常使用交互式会话，但普通会话也能正常使用。
+为了操作的方便，我们常常使用交互式会话（interactive session），但普通会话（regular session）也能正常使用。
 
 ```python
    sess = tf.InteractiveSession()
 ```
 
-非常便捷的是我们可以自由的混合使用NumPy和TensorFlow
+我们可以自由的混合使用NumPy和TensorFlow，这一点非常方便。
 
 ```python
 # 使用NumPy创建一个在[-2,2]x[-2,2]范围内的2维复数数组
@@ -53,34 +53,34 @@ Y, X = np.mgrid[-1.3:1.3:0.005, -2:1:0.005]
 Z = X+1j*Y
 ```
 
-现在我们定义并初始化一个TensorFlow的tensors。
+现在我们定义并初始化一组TensorFlow的张量 （tensors）。
 
 ```python
 xs = tf.constant(Z.astype("complex64"))
 zs = tf.Variable(xs)
 ns = tf.Variable(tf.zeros_like(xs, "float32"))
 ```
 
-TensorFlow在使用之前需要明确的初始化初值。
+TensorFlow在使用之前需要你明确给定变量的初始值。
 
 ```python
 tf.initialize_all_variables().run()
 ```
 
-## 定义并运行计算<a class="md-anchor" id="AUTOGENERATED-defining-and-running-the-computation"></a>
+## 定义并运行计算 <a class="md-anchor" id="AUTOGENERATED-defining-and-running-the-computation"></a>
 
 现在我们指定更多的计算...
 
 ```python
 # 计算一个新值z: z^2 + x
 zs_ = zs*zs + xs
 
-# 我们使用这个新值分形么？
+# 这个新值会发散吗？
 not_diverged = tf.complex_abs(zs_) < 4
 
 # 更新zs并且迭代计算。
 #
-# 说明：在分形之后我们继续计算zs，这个计算消耗特别大！
+# 说明：在这些值发散之后，我们仍然在计算zs，这个计算消耗特别大！
 #      如果稍微简单点，这里有更好的方法来处理。
 #
 step = tf.group(
@@ -89,7 +89,7 @@ step = tf.group(
   )
 ```
 
-...继续执行几百步步骤
+...继续执行几百个步骤
 
 ```python
 for i in range(200): step.run()
@@ -104,6 +104,6 @@ DisplayFractal(ns.eval())
 ![jpeg](../images/mandelbrot_output.jpg)
 
 
-不错！
+结果不错！
 
-> 原文：[Mandelbrot Set](http://tensorflow.org/tutorials/mandelbrot/index.md)  翻译：[ericxk](https://github.com/ericxk)  校对：[](https://github.com/)
+> 原文：[Mandelbrot Set](http://tensorflow.org/tutorials/mandelbrot/index.md)  翻译：[ericxk](https://github.com/ericxk)  校对：[tensorfly](https://github.com/tensorfly)
diff --git a/SOURCE/tutorials/pdes.md b/SOURCE/tutorials/pdes.md
@@ -1,20 +1,20 @@
-# 偏积分方程 <a class="md-anchor" id="AUTOGENERATED-partial-differential-equations"></a>
+# 偏微分方程 <a class="md-anchor" id="AUTOGENERATED-partial-differential-equations"></a>
 
- ***TensorFlow*** 不仅仅是用来机器学习，它更可以用来模拟仿真。在这里，我们将通过模拟仿真几滴落入一块方形水池的雨点的例子，来引导您如何使用 ***TensorFlow*** 中的偏积分方程来模拟仿真的基本使用方法。
+ ***TensorFlow*** 不仅仅是用来机器学习，它更可以用来模拟仿真。在这里，我们将通过模拟仿真几滴落入一块方形水池的雨点的例子，来引导您如何使用 ***TensorFlow*** 中的偏微分方程来模拟仿真的基本使用方法。
 
 >注：本教程最初是准备做为一个 **IPython** 的手册。
->>译者注:关于偏积分方程的相关知识，译者推荐读者查看 [**网易公开课**](http://open.163.com/) 上的[**《麻省理工学院公开课：多变量微积分》**](http://open.163.com/special/opencourse/multivariable.html)课程。
+>>译者注:关于偏微分方程的相关知识，译者推荐读者查看 [**网易公开课**](http://open.163.com/) 上的[**《麻省理工学院公开课：多变量微积分》**](http://open.163.com/special/opencourse/multivariable.html)课程。
 
 ## 基本设置 <a class="md-anchor" id="AUTOGENERATED-basic-setup"></a>
 
 首先,我们需要导入一些必要的引用。
 
 ```python
-#Import libraries for simulation
+#导入模拟仿真需要的库
 import tensorflow as tf
 import numpy as np
 
-#Imports for visualization
+#导入可视化需要的库
 import PIL.Image
 from cStringIO import StringIO
 from IPython.display import clear_output, Image, display
@@ -32,7 +32,7 @@ def DisplayArray(a, fmt='jpeg', rng=[0,1]):
   display(Image(data=f.getvalue()))
 ```
 
-最后，为了方便演示，这里我们需要打开一个交互的 ***TensorFlow*** 会话。当然为了以后能方便调用，我们可以把相关代码写到一个可以执行的***Python***文件中。
+最后，为了方便演示，这里我们需要打开一个 ***TensorFlow*** 的交互会话（interactive session）。当然为了以后能方便调用，我们可以把相关代码写到一个可以执行的***Python***文件中。
 
 ```python
 sess = tf.InteractiveSession()
@@ -61,7 +61,7 @@ def laplace(x):
   return simple_conv(x, laplace_k)
 ```
 
-## 定义偏积分方程 <a class="md-anchor" id="AUTOGENERATED-define-the-pde"></a>
+## 定义偏微分方程 <a class="md-anchor" id="AUTOGENERATED-define-the-pde"></a>
 
 首先,我们需要创建一个完美的 500 × 500 的正方形池塘,就像是我们在现实中找到的一样。
 
@@ -133,4 +133,4 @@ for i in range(1000):
 
 看！！ 雨点落在池塘中,和现实中一样的泛起了涟漪。
 
-> 原文链接:[http://tensorflow.org/tutorials/pdes/index.md](http://tensorflow.org/tutorials/pdes/index.md)    翻译:[@wangaicc](https://github.com/wangaicc)   校对： 
+> 原文链接:[http://tensorflow.org/tutorials/pdes/index.md](http://tensorflow.org/tutorials/pdes/index.md)    翻译:[@wangaicc](https://github.com/wangaicc)   校对:[@tensorfly](https://github.com/tensorfly)