Merge pull request zergtant#3 from mattmoevil/master

Typos fixed for Chapter 1.

Author: zergtant

README.md

@@ -1,4 +1,4 @@
-# PyTorch 中文手册 （pytorch handbook）
+# PyTorch 中文手册（pytorch handbook）
 ![pytorch](https://raw.githubusercontent.com/pytorch/pytorch/master/docs/source/_static/img/pytorch-logo-dark.png)
 
 ## 书籍介绍
@@ -40,16 +40,16 @@ API的改动不是很大，本教程已经通过测试，保证能够在1.0中
 
 ## 目录
 
-### 第一章： pytorch入门
+### 第一章：PyTorch 入门
 
-1. [Pytorch 简介](chapter1/1.1-pytorch-introduction.md)
-2. [Pytorch环境搭建](chapter1/1.2-pytorch-installation.md)
-3. [PyTorch 深度学习:60分钟快速入门 （官方）](chapter1/1.3-deep-learning-with-pytorch-60-minute-blitz.md)
+1. [PyTorch 简介](chapter1/1.1-pytorch-introduction.md)
+2. [PyTorch 环境搭建](chapter1/1.2-pytorch-installation.md)
+3. [PyTorch 深度学习：60分钟快速入门（官方）](chapter1/1.3-deep-learning-with-pytorch-60-minute-blitz.md)
     - [张量](chapter1/1_tensor_tutorial.ipynb)
-    - [Autograd: 自动求导](chapter1/2_autograd_tutorial.ipynb) 
+    - [Autograd：自动求导](chapter1/2_autograd_tutorial.ipynb) 
     - [神经网络](chapter1/3_neural_networks_tutorial.ipynb)
     - [训练一个分类器](chapter1/4_cifar10_tutorial.ipynb)
-    - [选读：数据并行处理(多GPU)](chapter1/5_data_parallel_tutorial.ipynb)
+    - [选读：数据并行处理（多GPU）](chapter1/5_data_parallel_tutorial.ipynb)
 4. [相关资源介绍](chapter1/1.4-pytorch-resource.md)
 
 ### 第二章 基础
@@ -124,4 +124,4 @@ pytorch的优化器总结
 
 ![](https://i.creativecommons.org/l/by-nc-sa/3.0/88x31.png)
 
-[本作品采用知识共享署名-非商业性使用-相同方式共享 3.0  中国大陆许可协议进行许可](http://creativecommons.org/licenses/by-nc-sa/3.0/cn)
+[本作品采用知识共享署名-非商业性使用-相同方式共享 3.0  中国大陆许可协议进行许可](http://creativecommons.org/licenses/by-nc-sa/3.0/cn)

chapter1/1_tensor_tutorial.ipynb

@@ -17,10 +17,10 @@
     "PyTorch是什么?\n",
     "================\n",
     "\n",
-    "基于 python的科学计算包，服务于一下两种场景:\n",
+    "基于Python的科学计算包，服务于以下两种场景:\n",
     "\n",
     "-  作为NumPy的替代品，可以使用GPU的强大计算能力\n",
-    "-  提供最大的灵活性和速度深度学习研究平台\n",
+    "-  提供最大的灵活性和高速的深度学习研究平台\n",
     "    \n",
     "\n",
     "开始\n",
@@ -49,7 +49,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "创建一个 a 5x3 矩阵, 但是未初始化:\n",
+    "创建一个 5x3 矩阵, 但是未初始化:\n",
     "\n"
    ]
   },
@@ -228,7 +228,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "<div class=\"alert alert-info\"><h4>Note</h4><p>``torch.Size`` 返回值是 tuple类型, 所以他支持tuple类型的所有操作.</p></div>\n",
+    "<div class=\"alert alert-info\"><h4>Note</h4><p>``torch.Size`` 返回值是 tuple类型, 所以它支持tuple类型的所有操作.</p></div>\n",
     "\n",
     "操作\n",
     "\n",
@@ -360,7 +360,7 @@
     "<div class=\"alert alert-info\"><h4>Note</h4><p>任何 以``_`` 结尾的操作都会用结果替换原变量.\n",
     "    例如: ``x.copy_(y)``, ``x.t_()``, 都会改变 ``x``.</p></div>\n",
     "\n",
-    "你可以使用与NumPy索引方式方式的操作来进行对张量的操作\n",
+    "你可以使用与NumPy索引方式相同的操作来进行对张量的操作\n",
     "\n"
    ]
   },
@@ -387,7 +387,7 @@
    "source": [
     "``torch.view``: 可以改变张量的维度和大小\n",
     "\n",
-    "***译者注：torch.view 与Numpy的resharp类似***\n",
+    "***译者注：torch.view 与Numpy的reshape类似***\n",
     "\n"
    ]
   },
@@ -415,7 +415,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "如果你有只有一个元素张量，使用``.item（）``来得到Python数据类型的数值\n"
+    "如果你有只有一个元素的张量，使用``.item()``来得到Python数据类型的数值\n"
    ]
   },
   {
@@ -567,12 +567,12 @@
    "metadata": {},
    "source": [
     "\n",
-    "所有的 Tensor 类型默认都事基于CPU， CharTensor 类型不支持到\n",
+    "所有的 Tensor 类型默认都是基于CPU， CharTensor 类型不支持到\n",
     "NumPy 的转换.\n",
     "CUDA 张量\n",
     "------------\n",
     "\n",
-    "使用``.to`` 方法 可以将Tensor被移动到任何设备中\n",
+    "使用``.to`` 方法 可以将Tensor移动到任何设备中\n",
     "\n"
    ]
   },

chapter1/2_autograd_tutorial.ipynb

@@ -17,26 +17,26 @@
     "Autograd: 自动求导机制\n",
     "===================================\n",
     "\n",
-    "PyTorch 中所有神经网络的核心是 ``autograd`` 包.\n",
-    "我们先简单介绍一下这个包,然后训练第一个简单的神经网络.\n",
+    "PyTorch 中所有神经网络的核心是 ``autograd`` 包。\n",
+    "我们先简单介绍一下这个包，然后训练第一个简单的神经网络。\n",
     "\n",
-    "``autograd``包为张量上的所有操作提供了自动求导.\n",
-    "它是一个在运行时定义的框架,这意味着反向传播是根据你的代码来确定如何运行,并且每次迭代可以是不同的.\n",
+    "``autograd``包为张量上的所有操作提供了自动求导。\n",
+    "它是一个在运行时定义的框架，这意味着反向传播是根据你的代码来确定如何运行，并且每次迭代可以是不同的。\n",
     "\n",
     "\n",
     "示例\n",
     "\n",
     "张量（Tensor）\n",
     "--------\n",
     "\n",
-    "``torch.Tensor``是这个包的核心类.如果设置\n",
-    "``.requires_grad`` 为 ``True``, 那么将会追踪多有对于该张量的操作. \n",
-    "当完成计算后通过调用 ``.backward()``会自动计算所有的梯度.\n",
-    "这个张量的所有梯度将会自动积累到 ``.grad`` 属性.\n",
+    "``torch.Tensor``是这个包的核心类。如果设置\n",
+    "``.requires_grad`` 为 ``True``，那么将会追踪所有对于该张量的操作。 \n",
+    "当完成计算后通过调用 ``.backward()``，自动计算所有的梯度，\n",
+    "这个张量的所有梯度将会自动积累到 ``.grad`` 属性。\n",
     "\n",
-    "要阻止张量跟踪历史记录，可以调用``.detach（）``方法将其与计算历史记录分离，并禁止跟踪它将来的计算记录。\n",
+    "要阻止张量跟踪历史记录，可以调用``.detach()``方法将其与计算历史记录分离，并禁止跟踪它将来的计算记录。\n",
     "\n",
-    "为了防止跟踪历史记录（和使用内存），可以将代码块包装在``with torch.no_grad（）：``中。\n",
+    "为了防止跟踪历史记录（和使用内存），可以将代码块包装在``with torch.no_grad()：``中。\n",
     "在评估模型时特别有用，因为模型可能具有`requires_grad = True`的可训练参数，但是我们不需要梯度计算。\n",
     "\n",
     "在自动梯度计算中还有另外一个重要的类``Function``.\n",
@@ -48,11 +48,11 @@
     "``grad_fn is None``).\n",
     "\n",
     "``Tensor`` 和 ``Function``互相连接并生成一个非循环图，它表示和存储了完整的计算历史。\n",
-    "每个张量都有一个``.grad_fn``属性，这个属性引用了一个创建了``Tensor``的``Function``（除非这个张量是用户手动创建的 即 这个张量的\n",
+    "每个张量都有一个``.grad_fn``属性，这个属性引用了一个创建了``Tensor``的``Function``（除非这个张量是用户手动创建的，即，这个张量的\n",
     "``grad_fn`` 是 ``None``）。\n",
     "\n",
-    "如果需要计算导数，你可以在``Tensor``上调用``.backward（）``。 \n",
-    "如果``Tensor``是一个标量（即它包含一个元素数据）则不需要为``backward（）``指定任何参数，\n",
+    "如果需要计算导数，你可以在``Tensor``上调用``.backward()``。 \n",
+    "如果``Tensor``是一个标量（即它包含一个元素数据）则不需要为``backward()``指定任何参数，\n",
     "但是如果它有更多的元素，你需要指定一个``gradient`` 参数来匹配张量的形状。\n"
    ]
   },
@@ -132,7 +132,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "结果``y``已经被计算出来了，所以 ,  ``grad_fn``已经被自动生成了.\n",
+    "结果``y``已经被计算出来了，所以，``grad_fn``已经被自动生成了。\n",
     "\n"
    ]
   },
@@ -186,8 +186,8 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "``.requires_grad_( ... )`` 改变了现有张量的 ``requires_grad``\n",
-    ".如果没有指定的话，默认输入的flag是 ``False``.\n",
+    "``.requires_grad_( ... )`` 可以改变现有张量的 ``requires_grad``属性。\n",
+    "如果没有指定的话，默认输入的flag是 ``False``。\n",
     "\n"
    ]
   },
@@ -223,7 +223,7 @@
     "梯度\n",
     "---------\n",
     "反向传播\n",
-    "因为 ``out``是一个纯量（scalar）, ``out.backward()`` 等于``out.backward(torch.tensor(1))``.\n",
+    "因为 ``out``是一个纯量（scalar），``out.backward()`` 等于``out.backward(torch.tensor(1))``。\n",
     "\n"
    ]
   },
@@ -334,7 +334,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "如果``.requires_grad=True``但是你有不希望进行autograd的计算，\n",
+    "如果``.requires_grad=True``但是你又不希望进行autograd的计算，\n",
     "那么可以将变量包裹在 ``with torch.no_grad()``中:\n"
    ]
   },