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

.gitignore

@@ -5,4 +5,6 @@
 *.synctex.gz
 *.toc
 *.fls
-
+*.sublime-project
+*.sublime-workspace
+*.DS_Store

README.md

@@ -77,6 +77,7 @@ Jeff回信原文：
 - [@ZHNathanielLee](https://github.com/ZHNathanielLee)
 - [@pengfoo](https://github.com/PengFoo)
 - [@qiaohaijun](https://github.com/qiaohaijun)
+- [@Seika](https://github.com/SeikaScarlet)
 
 ## 进度记录
 
@@ -97,7 +98,7 @@ Jeff回信原文：
 
 ## 持续改进
 
-这样的一个高技术领域的文档，我们在翻译的过程中，难免会有不完善的地方，希望请大家一起帮助我们持续改进文档的翻译质量，帮助更多的人，方法：
+这样一个高技术领域的文档，我们在翻译的过程中，难免会有不完善的地方，希望请大家一起帮助我们持续改进文档的翻译质量，帮助更多的人，方法：
 
 - 在GitHub上提Issue或Pull Request，地址为: [https://github.com/jikexueyuanwiki/tensorflow-zh](https://github.com/jikexueyuanwiki/tensorflow-zh)
 - 加入我们的QQ群提建议--协同翻译群：248320884，技术交流群：495115006

SOURCE/how_tos/adding_an_op.md

@@ -1,4 +1,4 @@
-# 增加一个新 Op <a class="md-anchor" id="AUTOGENERATED-adding-a-new-op"></a>
+# 添加新的Op <a class="md-anchor" id="AUTOGENERATED-adding-a-new-op"></a>
 
 预备知识:
 

SOURCE/tutorials/deep_cnn.md

@@ -4,7 +4,7 @@
 
 ## 概述 <a class="md-anchor" id="AUTOGENERATED-overview"></a>
 
-对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组32x32RGB的图像进行分类，这些图像涵盖了10个类别：  
+对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组大小为32x32的RGB图像进行分类，这些图像涵盖了10个类别：  
 ```飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。```
 
 ![CIFAR-10 Samples](../images/cifar_samples.png "CIFAR-10 Samples, from http://www.cs.toronto.edu/~kriz/cifar.html")
@@ -28,17 +28,17 @@ CIFAR-10 教程演示了在TensorFlow上构建更大更复杂模型的几个种
 * 实现了一种机制，使得[学习率](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/python/train.md#exponential_decay)随着时间的推移而递减；  
 * 为输入数据设计预存取[队列](https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/api_docs/python/io_ops.md#shuffle_batch)，将磁盘延迟和高开销的图像预处理操作与模型分离开来处理；  
 
-我们也提供了模型的多GUP版本，用以表明：  
+我们也提供了模型的多GPU版本，用以表明：  
 * 可以配置模型后使其在多个GPU上并行的训练  
 * 可以在多个GPU之间共享和更新变量值  
 
-我们希望本教程给大家开了个头，使得在Tensorflow上可以为视觉相关工作建立更大型的Cnns模型
+我们希望本教程给大家开了个头，使得在Tensorflow上可以为视觉相关工作建立更大型的CNN模型
 
 ### 模型架构 <a class="md-anchor" id="AUTOGENERATED-model-architecture"></a>
 
 本教程中的模型是一个多层架构，由卷积层和非线性层(nonlinearities)交替多次排列后构成。这些层最终通过全连通层对接到softmax分类器上。这一模型除了最顶部的几层外，基本跟[Alex Krizhevsky](https://code.google.com/p/cuda-convnet/)提出的模型一致。    
 
-在一个GPU上经过几个小时的训练后，该模型达到了最高86%的精度。细节请查看[下面](#evaluating-a-model)的描述以及代码。模型中包含了1,068,298个学习参数，分类一副图像需要大概19.5M个乘加操作。
+在一个GPU上经过几个小时的训练后，该模型最高可以达到86%的精度。细节请查看[下面](#evaluating-a-model)的描述以及代码。模型中包含了1,068,298个学习参数，对一副图像进行分类大概需要19.5M个乘加操作。
 
 ## 代码组织 <a class="md-anchor" id="AUTOGENERATED-code-organization"></a>
 

SOURCE/tutorials/mnist_beginners.md

@@ -172,7 +172,7 @@ y_ = tf.placeholder("float", [None,10])
 cross_entropy = -tf.reduce_sum(y_*tf.log(y))
 ```
 
-首先，用 `tf.log` 计算 `y` 的每个元素的对数。接下来，我们把 `y_` 的每一个元素和 `tf.log(y_)` 的对应元素相乘。最后，用 `tf.reduce_sum` 计算张量的所有元素的总和。（注意，这里的交叉熵不仅仅用来衡量单一的一对预测和真实值，而是所有100幅图片的交叉熵的总和。对于100个数据点的预测表现比单一数据点的表现能更好地描述我们的模型的性能。
+首先，用 `tf.log` 计算 `y` 的每个元素的对数。接下来，我们把 `y_` 的每一个元素和 `tf.log(y)` 的对应元素相乘。最后，用 `tf.reduce_sum` 计算张量的所有元素的总和。（注意，这里的交叉熵不仅仅用来衡量单一的一对预测和真实值，而是所有100幅图片的交叉熵的总和。对于100个数据点的预测表现比单一数据点的表现能更好地描述我们的模型的性能。
 
 现在我们知道我们需要我们的模型做什么啦，用TensorFlow来训练它是非常容易的。因为TensorFlow拥有一张描述你各个计算单元的图，它可以自动地使用[反向传播算法(backpropagation algorithm)](http://colah.github.io/posts/2015-08-Backprop/)来有效地确定你的变量是如何影响你想要最小化的那个成本值的。然后，TensorFlow会用你选择的优化算法来不断地修改变量以降低成本。
 

TOC.md

@@ -1,9 +1,9 @@
 - 起步
-  - [介绍](SOURCE/get_started/introduction.md)
-  - [下载及安装](SOURCE/get_started/os_setup.md)
-  - [基本用法](SOURCE/get_started/basic_usage.md)
+  - [简介](SOURCE/get_started/introduction.md)
+  - [下载与安装](SOURCE/get_started/os_setup.md)
+  - [基本使用](SOURCE/get_started/basic_usage.md)
 - 教程
-  - [总览](SOURCE/tutorials/overview.md)
+  - [综述](SOURCE/tutorials/overview.md)
   - [MNIST 机器学习入门](SOURCE/tutorials/mnist_beginners.md)
   - [深入 MNIST](SOURCE/tutorials/mnist_pros.md)
   - [TensorFlow 运作方式入门](SOURCE/tutorials/mnist_tf.md)
@@ -14,27 +14,27 @@
   - [偏微分方程](SOURCE/tutorials/pdes.md) 
   - [MNIST数据下载](SOURCE/tutorials/mnist_download.md)
 - 运作方式
-  - [总览](SOURCE/how_tos/overview.md) 
+  - [综述](SOURCE/how_tos/overview.md) 
   - [变量:创建、初始化、保存和加载](SOURCE/how_tos/variables.md) 
   - [TensorBoard:可视化学习](SOURCE/how_tos/summaries_and_tensorboard.md) 
   - [TensorBoard:图表可视化](SOURCE/how_tos/graph_viz.md) 
-  - [读取数据](SOURCE/how_tos/reading_data.md) 
+  - [数据读取](SOURCE/how_tos/reading_data.md) 
   - [线程和队列](SOURCE/how_tos/threading_and_queues.md) 
   - [添加新的Op](SOURCE/how_tos/adding_an_op.md) 
   - [自定义数据读取](SOURCE/how_tos/new_data_formats.md) 
-  - [使用gpu](SOURCE/how_tos/using_gpu.md) 
+  - [使用GPUs](SOURCE/how_tos/using_gpu.md) 
   - [共享变量](SOURCE/how_tos/variable_scope.md) 
 - 资源
-  - [总览](SOURCE/resources/overview.md) 
+  - [综述](SOURCE/resources/overview.md) 
   - [BibTex 引用](SOURCE/resources/bib.md) 
-  - [示例使用](SOURCE/resources/uses.md)
-  - [FAQ](SOURCE/resources/faq.md)
+  - [应用实例](SOURCE/resources/uses.md)
+  - [常见问题](SOURCE/resources/faq.md)
   - [术语表](SOURCE/resources/glossary.md)
-  - [Tensor排名、形状和类型](SOURCE/resources/dims_types.md)
+  - [Tensor的阶、形状和类型](SOURCE/resources/dims_types.md)
 - 其他
   - [常见问题汇总](SOURCE/faq.md)
   - [相关资源](SOURCE/resource.md)
   - [个人学习心得](SOURCE/personal.md)
 
 
-
+