合并分支 'caorunzhe' 到 'master'

Caorunzhe

查看合并请求 !539

Chapter12/chapter12.tex

@@ -164,7 +164,7 @@
 \vspace{0.5em}
 \item {\small\sffamily\bfseries{残差连接}}（标记为“Add”）：对于自注意力子层和前馈神经网络子层，都有一个从输入直接到输出的额外连接，也就是一个跨子层的直连。残差连接可以使深层网络的信息传递更为有效；
 \vspace{0.5em}
-\item {\small\sffamily\bfseries{层标准化}}\index{层标准化}（Layer Normalization）：自注意力子层和前馈神经网络子层进行最终输出之前，会对输出的向量进行层标准化，规范结果向量取值范围，这样易于后面进一步的处理。
+\item {\small\sffamily\bfseries{层标准化}}（Layer Normalization）：自注意力子层和前馈神经网络子层进行最终输出之前，会对输出的向量进行层标准化，规范结果向量取值范围，这样易于后面进一步的处理。
 \vspace{0.5em}
 \end{itemize}
 

Chapter6/chapter6.tex

@@ -21,7 +21,7 @@
 %	CHAPTER 6
 %----------------------------------------------------------------------------------------
 
-\chapter{基于扭曲度和繁衍率的翻译模型}
+\chapter{基于扭曲度和繁衍率的模型}
 
 {\chapterfive}展示了一种基于单词的翻译模型。这种模型的形式非常简单，而且其隐含的词对齐信息具有较好的可解释性。不过，语言翻译的复杂性远远超出人们的想象。有两方面挑战\ \dash\ 如何对“ 调序”问题进行建模以及如何对“一对多翻译”问题进行建模。调序是翻译问题中所特有的现象，比如，汉语到日语的翻译中，需要对谓词进行调序。另一方面，一个单词在另一种语言中可能会被翻译为多个连续的词，比如，汉语“ 联合国”翻译到英语会对应三个单词“The United Nations”。这种现象也被称作一对多翻译，它与句子长度预测有着密切的联系。
 

Chapter7/chapter7.tex

@@ -21,7 +21,7 @@
 %	CHAPTER 7
 %----------------------------------------------------------------------------------------
 
-\chapter{基于短语的翻译模型}
+\chapter{基于短语的模型}
 
 \parinterval 机器翻译的一个基本问题是要定义翻译的基本单元是什么。比如，可以像{\chapterfive}介绍的那样，以单词为单位进行翻译，即把句子的翻译看作是单词之间对应关系的一种组合。基于单词的模型是符合人类对翻译问题的认知的，因为单词本身就是人类加工语言的一种基本单元。另一方面，在进行翻译时也可以使用一些更“复杂”的知识。比如，很多词语间的搭配需要根据语境的变化进行调整，而且对于句子结构的翻译往往需要更上层的知识，如句法知识。因此，在对单词翻译进行建模的基础上，需要探索其他类型的翻译知识，使得搭配和结构翻译等问题可以更好地被建模。
 

ChapterPreface/chapterpreface.tex

@@ -73,9 +73,9 @@
 \item 第二部分：统计机器翻译
     \begin{itemize}
     \item 第五章\ 基于词的机器翻译建模
-    \item 第六章\ 基于扭曲度和繁衍率的翻译模型
-    \item 第七章\ 基于短语的翻译模型
-    \item 第八章\ 基于句法的翻译模型
+    \item 第六章\ 基于扭曲度和繁衍率的模型
+    \item 第七章\ 基于短语的模型
+    \item 第八章\ 基于句法的模型
     \end{itemize}
 \vspace{0.5em}
 \item 第三部分：神经机器翻译