Fix errors and typing

_posts/2021-05-10-rnn_lstm_gru_etc.md

@@ -207,7 +207,7 @@ $$
 ## Minimal Gated Unit
 
 Наконец, был предложен вариант ячейки, с минимальным числом параметров при это качеством не уступающий GRU. Он содержит только одни "ворота", а именно
-"forget gate":
+*forget gate*:
 
 ![Ячейка MGU]({{ site.baseurl }}/images/2021-05/mgu.svg)
 
@@ -353,7 +353,7 @@ bias-ы: $b_g$, $b_i$, $b_o$ и $b_f$.
 Т.е. на выходе декодера должна получится таже последовательность фреймов/данных, которая подавалась на вход энкодера (только обычно в обратном
 порядке). Рассматриваются два варианта такой модели: *условная* - в этом случае после получения $X'_T$ с выхода первой ячейки декодера, этот фрейм
 подаётся на вход второй ячейки, и *безусловная*, когда декодеры передают на следующий шаг только своё внутреннее состояние (на схеме представлены оба
-варианта, но *условный" выделен пунктирными связями и меньшей яркостью).
+варианта, но *условный* выделен пунктирными связями и меньшей яркостью).
 
 Тренируя такую модель мы расчитываем, что представление, сгенерированное энкодером, будет содержать в себе информацию о подложке фреймов, а так же об
 объектах и их движении (это необходимо, чтобы декодер смог восстановить последовательность). Поскольку мы ограничиваем размер вектора состояния LSTM

_posts/2024-01-02-normalization_layers.md

@@ -359,7 +359,7 @@ $$
 
 ### Positional Normalization (PN)
 
-Следующий вариант нормализации описан в статье [13], в которой авторы работают и генеративными сетями типа энкодер-декодер (например, такими как
+Следующий вариант нормализации описан в статье [13], в которой авторы работают с генеративными сетями типа энкодер-декодер (например, такими как
 CycleGAN или U-Net). Для изображений у нас еще остался один не использованный вариант подсчета моментов, а именно по оси признаков в каждой
 пространственной точке тензора: