update

Chapter15/representation_learning.tex

@@ -681,7 +681,7 @@ \section{\glsentrytext{distributed_representation}}
 \fi
 \caption{基于\gls{distributed_representation}的学习算法如何将输入空间分割成多个区域的图示。
 这个例子具有二元变量$h_1$，$h_2$，$h_3$。
-每个特征通过为\gls{learned}的线性变换设定输出阀值而定义。
+每个特征通过为\gls{learned}的线性变换设定输出阈值而定义。
 每个特征将$\SetR^2$分成两个半平面。
 令$h_i^+$表示输入点$h_i=1$的集合；$h_i^-$表示输入点$h_i=0$的集合。
 在这个图示中，每条线代表着一个$h_i$的决策边界，对应的箭头指向边界的$h_i^+$区域。
@@ -692,7 +692,7 @@ \section{\glsentrytext{distributed_representation}}
 具有$n$个特征的\gls{distributed_representation}给$O(n^d)$个不同区域分配唯一的编码，而具有$n$个样本的\gls{nearest_neighbor}算法只能给$n$个不同区域分配唯一的编码。
 因此，\gls{distributed_representation}能够比\gls{nondistributed_representation}多分配指数级的区域。
 注意并非所有的$\Vh$值都是可取的（这个例子中没有$\Vh=\mathbf{0}$），在\gls{distributed_representation}上的\gls{linear_classifier}不能向每个相邻区域分配不同的类别标识；
-甚至深度线性阀值网络的~\glssymbol{VC}~维只有$O(w\log w)$（其中$w$是权重数目）\citep{sontag1998vc}。
+甚至深度线性阈值网络的~\glssymbol{VC}~维只有$O(w\log w)$（其中$w$是权重数目）\citep{sontag1998vc}。
 强表示层和弱分类器层的组合是一个强\gls{regularizer}。
 试图学习``人''和``非人''概念的分类器不需要给表示为``戴眼镜的女人''和``没有戴眼镜的男人''的输入分配不同的类别。
 容量限制鼓励每个分类器关注少数几个$h_i$，鼓励$\Vh$以线性可分的方式学习表示这些类别。
@@ -784,7 +784,7 @@ \section{\glsentrytext{distributed_representation}}
 
 % -- 540 mid
 
-让我们检查\gls{distributed_representation}学习算法的一个特殊情况，它通过对输入的线性函数进行阀值处理来提取二元特征。
+让我们检查\gls{distributed_representation}学习算法的一个特殊情况，它通过对输入的线性函数进行阈值处理来提取二元特征。
 该表示中的每个二元特征将$\SetR^d$分成一对半空间，如\figref{fig:chap15_distributed}所示。
 $n$个相应半空间的指数级数量的交集确定了该\gls{distributed_representation}\gls{learner}能够区分多少区域。
 空间$\SetR^d$中的$n$个超平面的排列组合能够生成多少区间？
@@ -796,7 +796,7 @@ \section{\glsentrytext{distributed_representation}}
 
 % -- 541 head
 
-这提供了\gls{distributed_representation}\gls{generalization}能力的一种几何解释：$O(nd)$个参数（空间$\SetR^d$中的$n$个线性阀值特征）能够明确表示输入空间中$O(n^d)$个不同区域。
+这提供了\gls{distributed_representation}\gls{generalization}能力的一种几何解释：$O(nd)$个参数（空间$\SetR^d$中的$n$个线性阈值特征）能够明确表示输入空间中$O(n^d)$个不同区域。
 如果我们没有对数据做任何假设，并且每个区域使用唯一的符号来表示，每个符号使用单独的参数去识别$\SetR^d$中的对应区域，那么指定$O(n^d)$个区域需要$O(n^d)$个样本。
 更一般地，\gls{distributed_representation}的优势还可以体现在我们对\gls{distributed_representation}中的每个特征使用非线性的、可能连续的\gls{feature_extractor}，而不是\gls{linear_threshold_units}的情况。
 在这种情况下，如果具有$k$个参数的参数变换可以学习输入空间中的$r$个区域（$k\ll r$），并且如果学习这样的表示有助于关注的任务，那么这种方式会比\gls{nondistributed}\gls{setting}（我们需要$O(r)$个样本来获得相同的特征，将输入空间相关联地划分成$r$个区域。）\gls{generalize}得更好。

terminology.tex

@@ -1976,7 +1976,7 @@
 
 \newglossaryentry{linear_threshold_units}
 {
-  name=线性阀值单元,
+  name=线性阈值单元,
   description={linear threshold units},
   sort={linear threshold units},
 }