From bdaf3f04bdcde7c14f206a9f022b11ae3a69e6a9 Mon Sep 17 00:00:00 2001 From: zhangyi Date: Mon, 15 Aug 2022 16:41:42 +0800 Subject: [PATCH] correct the spelling errors in Chinses files --- tutorials/source_zh_cn/advanced/train/metric.ipynb | 2 +- tutorials/source_zh_cn/advanced/train/model.ipynb | 2 +- 2 files changed, 2 insertions(+), 2 deletions(-) diff --git a/tutorials/source_zh_cn/advanced/train/metric.ipynb b/tutorials/source_zh_cn/advanced/train/metric.ipynb index cba171c7a6..38cdf3da52 100644 --- a/tutorials/source_zh_cn/advanced/train/metric.ipynb +++ b/tutorials/source_zh_cn/advanced/train/metric.ipynb @@ -10,7 +10,7 @@ "\n", "当训练任务结束，常常需要评价函数（Metrics）来评估模型的好坏。不同的训练任务往往需要不同的Metrics函数。例如，对于二分类问题，常用的评价指标有precision（准确率）、recall（召回率）等，而对于多分类任务，可使用宏平均（Macro）和微平均（Micro）来评估。\n", "\n", - "MindSpore提供了大部分常见任务的评价函数，如`nn.Accuracy`、`nn.Pecision`、`nn.MAE`和`nn.MSE`等，由于MindSpore提供的评价函数无法满足所有任务的需求，很多情况下用户需要针对具体的任务自定义Metrics来评估训练的模型。\n", + "MindSpore提供了大部分常见任务的评价函数，如`nn.Accuracy`、`nn.Precision`、`nn.MAE`和`nn.MSE`等，由于MindSpore提供的评价函数无法满足所有任务的需求，很多情况下用户需要针对具体的任务自定义Metrics来评估训练的模型。\n", "\n", "本章主要介绍如何自定义Metrics以及如何在`nn.Model`中使用Metrics。\n", "\n", diff --git a/tutorials/source_zh_cn/advanced/train/model.ipynb b/tutorials/source_zh_cn/advanced/train/model.ipynb index aaef3e7c92..a346a089ba 100644 --- a/tutorials/source_zh_cn/advanced/train/model.ipynb +++ b/tutorials/source_zh_cn/advanced/train/model.ipynb @@ -26,7 +26,7 @@ "- `loss_fn`：所使用的损失函数。\n", "- `optimizer`：所使用的优化器。\n", "- `metrics`：用于模型评估的评价函数。\n", - "- `eval_network`：模型评估所使用的网络，未定义情况下，`Model`会使用`networ`和`loss_fn`进行封装。\n", + "- `eval_network`：模型评估所使用的网络，未定义情况下，`Model`会使用`network`和`loss_fn`进行封装。\n", "\n", "`Model`提供了以下接口用于模型训练、评估和推理：\n", "\n", -- Gitee