Merge branch 'master' of https://github.com/zergtant/pytorch-handbook

Author: zergtant

chapter1/3_neural_networks_tutorial.ipynb

@@ -363,9 +363,9 @@
     "\n",
     "```python\n",
     "\n",
-    "    learning_rate = 0.01\n",
-    "    for f in net.parameters():\n",
-    "        f.data.sub_(f.grad.data * learning_rate)\n",
+    "learning_rate = 0.01\n",
+    "for f in net.parameters():\n",
+    "    f.data.sub_(f.grad.data * learning_rate)\n",
     "```\n",
     "但是当使用神经网络是想要使用各种不同的更新规则时，比如SGD、Nesterov-SGD、Adam、RMSPROP等，PyTorch中构建了一个包``torch.optim``实现了所有的这些规则。\n",
     "使用它们非常简单：\n"

chapter1/4_cifar10_tutorial.ipynb

@@ -520,7 +520,7 @@
     "    net.to(device)\n",
     "```\n",
     "\n",
-    "记住：inputs 和 targets 也要转换。\n",
+    "记住：inputs, targets 和 images 也要转换。\n",
     "\n",
     "```python\n",
     "\n",

chapter5/5.1-kaggle.md

@@ -18,7 +18,7 @@ kaggle 网站是纯英文的，我们可以把比赛分为2类:
 
 这个不用多介绍，就是我们所使用的数据。
 
-这个模块需要认值阅读，它介绍数据的产生方式、存储形式、每个字段的含义等。如果数据规模很大，你没有内存足够大的服务器可以hold住，可能就没法打这个比赛或者使用这个数据集；我们还要注意他的数据类型什么，比如图像数据那就得用深度神经网络，如果对这方面不熟或者没有GPU可用，肯定是没有办法参加这个比赛，不要妄想使用GPU来做CNN计算，至少目前来说是不可能的。
+这个模块需要认值阅读，它介绍数据的产生方式、存储形式、每个字段的含义等。如果数据规模很大，你没有内存足够大的服务器可以hold住，可能就没法打这个比赛或者使用这个数据集；我们还要注意他的数据类型什么，比如图像数据那就得用深度神经网络，如果对这方面不熟或者没有GPU可用，肯定是没有办法参加这个比赛，不要妄想使用CPU来做CNN计算，至少目前来说是不可能的。
 我们可将 kaggle 平台上的比赛分成一下4类：
 
 1.  挖掘：面对的是结构化数据，也就是表格数据，包括了各式各样的预测问题(预测销量、点击率、推荐排序等)，主要的共性就是理解数据，理解问题，从数据中找到有用的信息用来预测，这类问题胜负更多的是在特征上，所以这部分是树形模型的天下比如有名的xgboost。