qr code at the end of each sectioin

lawrence1999 · Jan 23, 2019 · b50c81b · b50c81b
1 parent ad814c9
commit b50c81b
Show file tree

Hide file tree

Showing 107 changed files with 325 additions and 86 deletions.
diff --git a/chapter_appendix/aws.md b/chapter_appendix/aws.md
@@ -188,6 +188,8 @@ ssh -i "/path/to/key.pem" [email protected] -L 8
 * 云很方便，但不便宜。研究一下它的价格，看看如何节省开销。
 
 
+
+
 ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/6154)
 
 ![](../img/qr_aws.svg)
diff --git a/chapter_appendix/buy-gpu.md b/chapter_appendix/buy-gpu.md
@@ -50,6 +50,8 @@ GPU的性能主要由以下3个参数构成。
 
 * 浏览本节讨论区中大家有关机器配置方面的交流。
 
+
+
 ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1177)
 
 ![](../img/qr_buy-gpu.svg)
diff --git a/chapter_appendix/d2lzh.md b/chapter_appendix/d2lzh.md
@@ -58,3 +58,7 @@
 * `voc_label_indices`：[语义分割和数据集](../chapter_computer-vision/semantic-segmentation-and-dataset.md)
 * `voc_rand_crop`：[语义分割和数据集](../chapter_computer-vision/semantic-segmentation-and-dataset.md)
 * `VOCSegDataset`：[语义分割和数据集](../chapter_computer-vision/semantic-segmentation-and-dataset.md)
+
+
+
+
diff --git a/chapter_appendix/how-to-contribute.md b/chapter_appendix/how-to-contribute.md
@@ -75,9 +75,7 @@ git push
 * 如果觉得本书某些地方可以改进，尝试提交一个pull request。
 
 
-## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/7570)
 
-![](../img/qr_how-to-contribute.svg)
 
 
 ## 参考文献
@@ -89,3 +87,7 @@ git push
 [3] 安装Git。https://git-scm.com/book/zh/v2
 
 [4] GitHub网址。https://github.com/
+
+## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/7570)
+
+![](../img/qr_how-to-contribute.svg)
diff --git a/chapter_appendix/index.md b/chapter_appendix/index.md
@@ -13,3 +13,7 @@
    how-to-contribute
    d2lzh
 ```
+
+
+
+
diff --git a/chapter_appendix/jupyter.md b/chapter_appendix/jupyter.md
@@ -113,6 +113,8 @@ jupyter nbextension enable execute_time/ExecuteTime
 * 尝试在本地编辑和运行本书的代码。
 
 
+
+
 ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/6965)
 
 ![](../img/qr_jupyter.svg)
diff --git a/chapter_appendix/math.md b/chapter_appendix/math.md
@@ -335,6 +335,8 @@ $$E(X) = \sum_{x} x P(X = x).$$
 * 求函数$f(\boldsymbol{x}) = 3x_1^2 + 5e^{x_2}$的梯度。
 
 
+
+
 ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/6966)
 
 ![](../img/qr_math.svg)
diff --git a/chapter_appendix/notation.md b/chapter_appendix/notation.md
@@ -53,3 +53,7 @@
 ## 复杂度
 
 * $\mathcal{O}$：大O符号（渐进符号）
+
+
+
+
diff --git a/chapter_computational-performance/async-computation.md b/chapter_computational-performance/async-computation.md
@@ -204,6 +204,8 @@ print('increased memory: %f MB' % (get_mem() - mem))
 * 在“使用异步计算提升计算性能”一节中，我们提到使用异步计算可以使执行1000次计算的总耗时降为$t_1 + 1000 t_2 + t_3$。这里为什么要假设$1000t_2 > 999t_1$？
 
 
+
+
 ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1881)
 
 ![](../img/qr_async-computation.svg)
diff --git a/chapter_computational-performance/auto-parallelism.md b/chapter_computational-performance/auto-parallelism.md
@@ -96,6 +96,8 @@ with d2l.Benchmark('Run and copy in parallel.'):
 * 当运算符的计算量足够小时，仅在CPU或单块GPU上并行计算也可能提升计算性能。设计实验来验证这一点。
 
 
+
+
 ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1883)
 
 ![](../img/qr_auto-parallelism.svg)
diff --git a/chapter_computational-performance/hybridize.md b/chapter_computational-performance/hybridize.md
@@ -210,6 +210,8 @@ net(x)
 * 回顾前面几章中你感兴趣的模型，改用`HybridBlock`类或`HybridSequential`类实现。
 
 
+
+
 ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1665)
 
 ![](../img/qr_hybridize.svg)
diff --git a/chapter_computational-performance/index.md b/chapter_computational-performance/index.md
@@ -13,3 +13,7 @@
    multiple-gpus
    multiple-gpus-gluon
 ```
+
+
+
+
diff --git a/chapter_computational-performance/multiple-gpus-gluon.md b/chapter_computational-performance/multiple-gpus-gluon.md
@@ -121,6 +121,8 @@ train(num_gpus=2, batch_size=512, lr=0.2)
 * 本节使用了ResNet-18模型。试试不同的迭代周期、批量大小和学习率。如果条件允许，使用更多GPU来计算。
 * 有时候，不同设备的计算能力不一样，例如，同时使用CPU和GPU，或者不同GPU之间型号不一样。这时候，应该如何将小批量划分到内存或不同显卡的显存？
 
+
+
 ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1885)
 
 ![](../img/qr_multiple-gpus-gluon.svg)
diff --git a/chapter_computational-performance/multiple-gpus.md b/chapter_computational-performance/multiple-gpus.md
@@ -198,6 +198,8 @@ train(num_gpus=2, batch_size=256, lr=0.2)
 * 将实验的模型预测部分改为用多GPU预测。
 
 
+
+
 ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1884)
 
 ![](../img/qr_multiple-gpus.svg)
diff --git a/chapter_computer-vision/anchor.md b/chapter_computer-vision/anchor.md
@@ -230,6 +230,8 @@ for i in output[0].asnumpy():
 * 修改“标注训练集的锚框”与“输出预测边界框”两小节中的变量`anchors`，结果有什么变化？
 
 
+
+
 ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/7024)
 
 ![](../img/qr_anchor.svg)
diff --git a/chapter_computer-vision/bounding-box.md b/chapter_computer-vision/bounding-box.md
@@ -57,6 +57,8 @@ fig.axes.add_patch(bbox_to_rect(cat_bbox, 'red'));
 * 找一些图像，尝试标注其中目标的边界框。比较标注边界框与标注类别所花时间的差异。
 
 
+
+
 ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/7023)
 
 ![](../img/qr_bounding-box.svg)
diff --git a/chapter_computer-vision/fcn.md b/chapter_computer-vision/fcn.md
@@ -234,13 +234,15 @@ d2l.show_images(imgs[::3] + imgs[1::3] + imgs[2::3], 3, n);
 * 预测测试图像中所有像素的类别。
 * 全卷积网络的论文中还使用了卷积神经网络的某些中间层的输出 [1]。试着实现这个想法。
 
-## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/3041)
 
-![](../img/qr_fcn.svg)
 
 
 ## 参考文献
 
 [1] Long, J., Shelhamer, E., & Darrell, T. (2015). Fully convolutional networks for semantic segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 3431-3440).
 
 [2] Dumoulin, V., & Visin, F. (2016). A guide to convolution arithmetic for deep learning. arXiv preprint arXiv:1603.07285.
+
+## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/3041)
+
+![](../img/qr_fcn.svg)
diff --git a/chapter_computer-vision/fine-tuning.md b/chapter_computer-vision/fine-tuning.md
@@ -175,10 +175,12 @@ hotdog_w = nd.split(weight.data(), 1000, axis=0)[713]
 hotdog_w.shape
 ```
 
-## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/2272)
 
-![](../img/qr_fine-tuning.svg)
 
 ## 参考文献
 
 [1] GluonCV工具包。https://gluon-cv.mxnet.io/
+
+## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/2272)
+
+![](../img/qr_fine-tuning.svg)
diff --git a/chapter_computer-vision/image-augmentation.md b/chapter_computer-vision/image-augmentation.md
@@ -245,6 +245,8 @@ train_with_data_aug(flip_aug, no_aug)
 * 在基于CIFAR-10数据集的模型训练中增加不同的图像增广方法。观察实现结果。
 * 查阅MXNet文档，Gluon的`transforms`模块还提供了哪些图像增广方法？
 
+
+
 ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1666)
 
 ![](../img/qr_image-augmentation.svg)
diff --git a/chapter_computer-vision/index.md b/chapter_computer-vision/index.md
@@ -23,3 +23,7 @@
    kaggle-gluon-cifar10
    kaggle-gluon-dog
 ```
+
+
+
+
diff --git a/chapter_computer-vision/kaggle-gluon-cifar10.md b/chapter_computer-vision/kaggle-gluon-cifar10.md
@@ -335,8 +335,9 @@ df.to_csv('submission.csv', index=False)
 
 * 使用Kaggle比赛的完整CIFAR-10数据集。把批量大小`batch_size`和迭代周期数`num_epochs`分别改为128和300。可以在这个比赛中得到什么样的准确率和名次？
 * 如果不使用图像增广的方法能得到什么样的准确率？
-* 扫码直达讨论区，在社区交流方法和结果。你能发掘出其他更好的技巧吗？
 
-## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1545)
+
+
+build chapter_appendix chapter_computational-performance chapter_computer-vision chapter_convolutional-neural-networks chapter_deep-learning-basics chapter_deep-learning-computation chapter_introduction chapter_natural-language-processing chapter_optimization chapter_prerequisite chapter_recurrent-neural-networks contrib d2lzh data Dockerfile environment.yml img INFO.md Jenkinsfile LICENSE Makefile post_html.sh README.md setup.py STYLE_GUIDE.md TERMINOLOGY.md 扫码直达讨论区，在社区交流方法和结果。你能发掘出其他更好的技巧吗？ ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1545)
 
 ![](../img/qr_kaggle-gluon-cifar10.svg)
diff --git a/chapter_computer-vision/kaggle-gluon-dog.md b/chapter_computer-vision/kaggle-gluon-dog.md
@@ -296,12 +296,13 @@ with open('submission.csv', 'w') as f:
 
 * 使用Kaggle完整数据集，把批量大小`batch_size`和迭代周期数`num_epochs`分别调大些，可以在Kaggle上拿到什么样的结果？
 * 使用更深的预训练模型，你能获得更好的结果吗？
-* 扫码直达讨论区，在社区交流方法和结果。你能发掘出其他更好的技巧吗？
 
-## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/2399)
 
-![](../img/qr_kaggle-gluon-dog.svg)
 
 ## 参考文献
 
 [1] Kaggle ImageNet Dogs比赛网址。https://www.kaggle.com/c/dog-breed-identification
+
+build chapter_appendix chapter_computational-performance chapter_computer-vision chapter_convolutional-neural-networks chapter_deep-learning-basics chapter_deep-learning-computation chapter_introduction chapter_natural-language-processing chapter_optimization chapter_prerequisite chapter_recurrent-neural-networks contrib d2lzh data Dockerfile environment.yml img INFO.md Jenkinsfile LICENSE Makefile post_html.sh README.md setup.py STYLE_GUIDE.md TERMINOLOGY.md 扫码直达讨论区，在社区交流方法和结果。你能发掘出其他更好的技巧吗？ ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/2399)
+
+![](../img/qr_kaggle-gluon-dog.svg)
diff --git a/chapter_computer-vision/multiscale-object-detection.md b/chapter_computer-vision/multiscale-object-detection.md
@@ -77,6 +77,8 @@ display_anchors(fmap_w=1, fmap_h=1, s=[0.8])
 * 给定一张输入图像，设特征图变量的形状为$1 \times c_i \times h \times w$，其中$c_i, h, w$分别为特征图的个数、高和宽。你能想到哪些将该变量变换为锚框的类别和偏移量的方法？输出的形状分别是什么？
 
 
+
+
 ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/8859)
 
 ![](../img/qr_multiscale-object-detection.svg)
diff --git a/chapter_computer-vision/neural-style.md b/chapter_computer-vision/neural-style.md
@@ -273,10 +273,12 @@ d2l.plt.imsave('../img/neural-style-2.png', postprocess(output).asnumpy())
 * 调整损失函数中的权值超参数，输出是否保留更多内容或减少更多噪点？
 * 替换实验中的内容图像和样式图像，你能创作出更有趣的合成图像吗？
 
-## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/3273)
 
-![](../img/qr_neural-style.svg)
 
 ## 参考文献
 
 [1] Gatys, L. A., Ecker, A. S., & Bethge, M. (2016). Image style transfer using convolutional neural networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 2414-2423).
+
+## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/3273)
+
+![](../img/qr_neural-style.svg)
diff --git a/chapter_computer-vision/object-detection-dataset.md b/chapter_computer-vision/object-detection-dataset.md
@@ -78,12 +78,14 @@ for ax, label in zip(axes, batch.label[0][0:10]):
 * 查阅MXNet文档，`image.ImageDetIter`和`image.CreateDetAugmenter`这两个类的构造函数有哪些参数？它们的意义是什么？
 
 
-## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/7022)
 
-![](../img/qr_object-detection-dataset.svg)
 
 ## 参考文献
 
 [1] im2rec工具。https://github.com/apache/incubator-mxnet/blob/master/tools/im2rec.py
 
 [2] GluonCV 工具包。https://gluon-cv.mxnet.io/
+
+## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/7022)
+
+![](../img/qr_object-detection-dataset.svg)
diff --git a/chapter_computer-vision/rcnn.md b/chapter_computer-vision/rcnn.md
@@ -103,9 +103,7 @@ Fast R-CNN通常需要在选择性搜索中生成较多的提议区域，以获
 
 * 了解GluonCV工具包中有关本节中各个模型的实现 [6]。
 
-## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/7219)
 
-![](../img/qr_rcnn.svg)
 
 
 
@@ -122,3 +120,7 @@ Fast R-CNN通常需要在选择性搜索中生成较多的提议区域，以获
 [5] He, K., Gkioxari, G., Dollár, P., & Girshick, R. (2017, October). Mask r-cnn. In Computer Vision (ICCV), 2017 IEEE International Conference on (pp. 2980-2988). IEEE.
 
 [6] GluonCV 工具包。https://gluon-cv.mxnet.io/
+
+## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/7219)
+
+![](../img/qr_rcnn.svg)
diff --git a/chapter_computer-vision/semantic-segmentation-and-dataset.md b/chapter_computer-vision/semantic-segmentation-and-dataset.md
@@ -203,10 +203,12 @@ for X, Y in train_iter:
 
 * 回忆[“图像增广”](image-augmentation.md)一节中的内容。哪些在图像分类中使用的图像增广方法难以用于语义分割？
 
-## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/7218)
 
-![](../img/qr_semantic-segmentation-and-dataset.svg)
 
 ##  参考文献
 
 [1] Pascal VOC2012数据集。http://host.robots.ox.ac.uk/pascal/VOC/voc2012/
+
+## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/7218)
+
+![](../img/qr_semantic-segmentation-and-dataset.svg)
diff --git a/chapter_computer-vision/ssd.md b/chapter_computer-vision/ssd.md
@@ -367,12 +367,14 @@ d2l.plt.legend();
 * 参考单发多框检测论文，还有哪些方法可以评价目标检测模型的精度 [1]？
 
 
-## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/2511)
 
-![](../img/qr_ssd.svg)
 
 ## 参考文献
 
 [1] Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C. Y., & Berg, A. C. (2016, October). Ssd: Single shot multibox detector. In European conference on computer vision (pp. 21-37). Springer, Cham.
 
 [2] Lin, T. Y., Goyal, P., Girshick, R., He, K., & Dollár, P. (2018). Focal loss for dense object detection. IEEE transactions on pattern analysis and machine intelligence.
+
+## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/2511)
+
+![](../img/qr_ssd.svg)
diff --git a/chapter_convolutional-neural-networks/alexnet.md b/chapter_convolutional-neural-networks/alexnet.md
@@ -143,10 +143,12 @@ d2l.train_ch5(net, train_iter, test_iter, batch_size, trainer, ctx, num_epochs)
 * 修改批量大小，观察准确率和内存或显存的变化。
 
 
-## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1258)
 
-![](../img/qr_alexnet.svg)
 
 ## 参考文献
 
 [1] Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems (pp. 1097-1105).
+
+## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1258)
+
+![](../img/qr_alexnet.svg)
diff --git a/chapter_convolutional-neural-networks/batch-norm.md b/chapter_convolutional-neural-networks/batch-norm.md
@@ -203,10 +203,12 @@ d2l.train_ch5(net, train_iter, test_iter, batch_size, trainer, ctx,
 * 查看`BatchNorm`类的文档来了解更多使用方法，例如，如何在训练时使用基于全局平均的均值和方差。
 
 
-## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1253)
 
-![](../img/qr_batch-norm.svg)
 
 ## 参考文献
 
 [1] Ioffe, S., & Szegedy, C. (2015). Batch normalization: Accelerating deep network training by reducing internal covariate shift. arXiv preprint arXiv:1502.03167.
+
+## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1253)
+
+![](../img/qr_batch-norm.svg)
diff --git a/chapter_convolutional-neural-networks/channels.md b/chapter_convolutional-neural-networks/channels.md
@@ -109,6 +109,8 @@ Y2 = corr2d_multi_in_out(X, K)
 * 当卷积窗口不为$1\times 1$时，如何用矩阵乘法实现卷积计算？
 
 
+
+
 ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/6405)
 
 ![](../img/qr_channels.svg)
diff --git a/chapter_convolutional-neural-networks/conv-layer.md b/chapter_convolutional-neural-networks/conv-layer.md
@@ -152,6 +152,8 @@ conv2d.weight.data().reshape((1, 2))
 * 如何通过变化输入和核数组将互相关运算表示成一个矩阵乘法？
 * 如何构造一个全连接层来进行物体边缘检测？
 
+
+
 ## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/6314)
 
 ![](../img/qr_conv-layer.svg)
diff --git a/chapter_convolutional-neural-networks/densenet.md b/chapter_convolutional-neural-networks/densenet.md
@@ -132,10 +132,12 @@ d2l.train_ch5(net, train_iter, test_iter, batch_size, trainer, ctx,
 * DenseNet被人诟病的一个问题是内存或显存消耗过多。真的会这样吗？可以把输入形状换成$224\times 224$，来看看实际的消耗。
 * 实现DenseNet论文中的表1提出的不同版本的DenseNet [1]。
 
-## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1664)
 
-![](../img/qr_densenet.svg)
 
 ## 参考文献
 
 [1] Huang, G., Liu, Z., Weinberger, K. Q., & van der Maaten, L. (2017). Densely connected convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (Vol. 1, No. 2).
+
+## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1664)
+
+![](../img/qr_densenet.svg)
diff --git a/chapter_convolutional-neural-networks/googlenet.md b/chapter_convolutional-neural-networks/googlenet.md
@@ -132,9 +132,7 @@ d2l.train_ch5(net, train_iter, test_iter, batch_size, trainer, ctx,
 * 对比AlexNet、VGG和NiN、GoogLeNet的模型参数尺寸。为什么后两个网络可以显著减小模型参数尺寸？
 
 
-## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1662)
 
-![](../img/qr_googlenet.svg)
 
 ## 参考文献
 
@@ -145,3 +143,7 @@ d2l.train_ch5(net, train_iter, test_iter, batch_size, trainer, ctx,
 [3] Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z. (2016). Rethinking the inception architecture for computer vision. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 2818-2826).
 
 [4] Szegedy, C., Ioffe, S., Vanhoucke, V., & Alemi, A. A. (2017, February). Inception-v4, inception-resnet and the impact of residual connections on learning. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 4, p. 12).
+
+## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1662)
+
+![](../img/qr_googlenet.svg)
Original file line number	Diff line number	Diff line change
Expand Up		@@ -188,6 +188,8 @@ ssh -i "/path/to/key.pem" [email protected] -L 8
		* 云很方便，但不便宜。研究一下它的价格，看看如何节省开销。




		## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/6154)

		![](../img/qr_aws.svg)
Original file line number	Diff line number	Diff line change
Expand Up		@@ -50,6 +50,8 @@ GPU的性能主要由以下3个参数构成。

		* 浏览本节讨论区中大家有关机器配置方面的交流。



		## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1177)

		![](../img/qr_buy-gpu.svg)
Original file line number	Diff line number	Diff line change
Expand Up		@@ -58,3 +58,7 @@
		* `voc_label_indices`：[语义分割和数据集](../chapter_computer-vision/semantic-segmentation-and-dataset.md)
		* `voc_rand_crop`：[语义分割和数据集](../chapter_computer-vision/semantic-segmentation-and-dataset.md)
		* `VOCSegDataset`：[语义分割和数据集](../chapter_computer-vision/semantic-segmentation-and-dataset.md)
Original file line number	Diff line number	Diff line change
Expand Up		@@ -113,6 +113,8 @@ jupyter nbextension enable execute_time/ExecuteTime
		* 尝试在本地编辑和运行本书的代码。




		## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/6965)

		![](../img/qr_jupyter.svg)
Original file line number	Diff line number	Diff line change
Expand Up		@@ -335,6 +335,8 @@ $$E(X) = \sum_{x} x P(X = x).$$
		* 求函数$f(\boldsymbol{x}) = 3x_1^2 + 5e^{x_2}$的梯度。




		## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/6966)

		![](../img/qr_math.svg)
Original file line number	Diff line number	Diff line change
Expand Up		@@ -53,3 +53,7 @@
		## 复杂度

		* $\mathcal{O}$：大O符号（渐进符号）
Original file line number	Diff line number	Diff line change
Expand Up		@@ -204,6 +204,8 @@ print('increased memory: %f MB' % (get_mem() - mem))
		* 在“使用异步计算提升计算性能”一节中，我们提到使用异步计算可以使执行1000次计算的总耗时降为$t_1 + 1000 t_2 + t_3$。这里为什么要假设$1000t_2 > 999t_1$？




		## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1881)

		![](../img/qr_async-computation.svg)
Original file line number	Diff line number	Diff line change
Expand Up		@@ -96,6 +96,8 @@ with d2l.Benchmark('Run and copy in parallel.'):
		* 当运算符的计算量足够小时，仅在CPU或单块GPU上并行计算也可能提升计算性能。设计实验来验证这一点。




		## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1883)

		![](../img/qr_auto-parallelism.svg)
Original file line number	Diff line number	Diff line change
Expand Up		@@ -210,6 +210,8 @@ net(x)
		* 回顾前面几章中你感兴趣的模型，改用`HybridBlock`类或`HybridSequential`类实现。




		## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/1665)

		![](../img/qr_hybridize.svg)
Original file line number	Diff line number	Diff line change
Expand Up		@@ -13,3 +13,7 @@
		multiple-gpus
		multiple-gpus-gluon
		```