BiggestJun
diff --git a/‎20pytorch/transfer_learning_tutorial.ipynb‎
Lines changed: 15 additions & 1 deletion b/‎20pytorch/transfer_learning_tutorial.ipynb‎
Lines changed: 15 additions & 1 deletion
diff --git a/‎29t2t/01.nmt.py‎
Lines changed: 0 additions & 1 deletion b/‎29t2t/01.nmt.py‎
Lines changed: 0 additions & 1 deletion
@@ -51,7 +51,21 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "加载数据\n---------\n\n我们用 torchvision 和 torch.utils.data 包加载数据.\n\n我们今天要解决的问题是, 训练一个可以区分 **ants** (蚂蚁) 和 **bees** (蜜蜂) 的模型.\n用于训练的 ants 和 bees 图片各120张. 每一类用于验证的图片各75张.\n通常, 如果从头开始训练, 这个非常小的数据集不足以进行泛化.\n但是, 因为我们使用迁移学习, 应该可以取得很好的泛化效果.\n\n这个数据集是一个非常小的 imagenet 子集\n\n.. Note ::\n   从`这里 <https://download.pytorch.org/tutorial/hymenoptera_data.zip>`_ 下载数据, 然后解压到当前目录.\n\n"
+    "加载数据\n",
+    "---------\n",
+    "\n",
+    "我们用 torchvision 和 torch.utils.data 包加载数据.\n",
+    "\n",
+    "我们今天要解决的问题是, 训练一个可以区分 **ants** (蚂蚁) 和 **bees** (蜜蜂) 的模型.\n",
+    "用于训练的 ants 和 bees 图片各120张. 每一类用于验证的图片各75张.\n",
+    "通常, 如果从头开始训练, 这个非常小的数据集不足以进行泛化.\n",
+    "但是, 因为我们使用迁移学习, 应该可以取得很好的泛化效果.\n",
+    "\n",
+    "这个数据集是一个非常小的 imagenet 子集\n",
+    "\n",
+    ".. Note ::\n",
+    "   从`这里 <https://download.pytorch.org/tutorial/hymenoptera_data.zip>`_ 下载数据, 然后解压到当前目录.\n",
+    "\n"
    ]
   },
   {
 
@@ -129,7 +129,6 @@ def decode(integers):
 # Copy the pretrained checkpoint locally
 ckpt_name = "transformer_ende_test"
 gs_ckpt = os.path.join(gs_ckpt_dir, ckpt_name)
-!gsutil -q cp -R {gs_ckpt} {checkpoint_dir}
 ckpt_path = tf.train.latest_checkpoint(os.path.join(checkpoint_dir, ckpt_name))
 ckpt_path