zh translation

Author: vpj

docs/zh/adaptive_computation/ponder_net/index.html

@@ -72,12 +72,12 @@
             </div>
             <h1><a href="https://nn.labml.ai/capsule_networks/index.html">胶囊网络</a></h1>
 <p>这是<a href="https://papers.labml.ai/paper/1710.09829">胶囊间动态路由</a>的 <a href="https://pytorch.org">PyTorch</a> 实现/教程。</p>
-<p>胶囊网络是一种神经网络架构，它以胶囊的形式嵌入特征，并通过投票机制将它们路由到下一层胶囊。</p>
-<p>与其他模型实现不同，我们包含了一个示例，因为仅使用模块很难理解某些概念。<a href="mnist.html">这是使用胶囊对 MNIST 数据集进行分类的模型的带注释的代码</a></p>
-<p>该文件保存了胶囊网络核心模块的实现。</p>
-<p>我用 <a href="https://github.com/jindongwang/Pytorch-CapsuleNet">jindongWang/pytorch-CapsuleNet</a> 来澄清我对这篇报纸的一些困惑。</p>
-<p>这是一本在 MNIST 数据集上训练胶囊网络的笔记本。</p>
-<p><a href="https://colab.research.google.com/github/labmlai/annotated_deep_learning_paper_implementations/blob/master/labml_nn/capsule_networks/mnist.ipynb"><img alt="Open In Colab" src="https://colab.research.google.com/assets/colab-badge.svg"></a><a href="https://app.labml.ai/run/e7c08e08586711ebb3e30242ac1c0002"><img alt="View Run" src="https://img.shields.io/badge/labml-experiment-brightgreen"></a></p>
+<p>Capsule 网络是一种神经网络架构，它以胶囊的形式嵌入特征，并通过投票机制将它们路由到下一层胶囊。</p>
+<p>与其他模型实现不同，我们提供了一个示例，因为仅使用模块很难理解某些概念。<a href="mnist.html">这是使用胶囊对 MNIST 数据集进行分类的模型的带注释的代码</a></p>
+<p>该文件包含了 Capsule Networks 核心模块的实现。</p>
+<p>我用 <a href="https://github.com/jindongwang/Pytorch-CapsuleNet">jindongwang/pytorch-CapsuleNet</a> 来澄清我对这篇论文的一些困惑。</p>
+<p>这是一本在 MNIST 数据集上训练 Capsule 网络的笔记本。</p>
+<p><a href="https://colab.research.google.com/github/labmlai/annotated_deep_learning_paper_implementations/blob/master/labml_nn/capsule_networks/mnist.ipynb"><img alt="Open In Colab" src="https://colab.research.google.com/assets/colab-badge.svg"></a></p>
 
         </div>
         <div class='code'>

docs/zh/capsule_networks/index.html

@@ -70,13 +70,12 @@
             <div class='section-link'>
                 <a href='#section-0'>#</a>
             </div>
-            <h1><a href="https://nn.labml.ai/conv_mixer/index.html">补丁是你所需要的吗？</a></h1>
-<p>这是 <a href="https://pytorch.org">PayTorch</a> 实现的纸质<a href="https://papers.labml.ai/paper/2201.09792">补丁是你所需要的吗？</a>。</p>
-<p>ConvMixer 与 <a href="https://nn.labml.ai/transformers/mlp_mixer/index.html">MLP 混音器</a>类似。MLP-Mixer 将空间维度和信道维度的混合分开，方法是跨空间维度应用 MLP，然后在通道维度上应用 MLP（空间 MLP 取代 <a href="https://nn.labml.ai/transformers/vit/index.html">ViT</a> 注意力，通道 MLP 是ViT 的 <a href="https://nn.labml.ai/transformers/feed_forward.html">FFN</a>）。</p>
-C@@ <p>onvMixer 使用 1x1 卷积进行通道混合，使用深度卷积进行空间混合。由于它是卷积而不是整个空间的完整MLP，因此与 ViT 或 MLP 混音器相比，它只混合附近的批次。此外，MLP-Mixer 在每次混音时使用两层的 MLP，而 ConvMixer 为每次混音使用单个层。</p>
-<p>本文建议移除通道混音中的残余连接（逐点卷积），并且在空间混合（深度卷积）上只有一个剩余连接。他们还使用<a href="https://nn.labml.ai/normalization/batch_norm/index.html">批量归一化</a>而不是<a href="../normalization/layer_norm/index.html">图层规范化</a>。</p>
-<p><a href="https://nn.labml.ai/conv_mixer/experiment.html">这是一个在 CIFAR-10 上训练 ConvMixer 的实验</a>。</p>
-<p><a href="https://app.labml.ai/run/0fc344da2cd011ecb0bc3fdb2e774a3d"><img alt="View Run" src="https://img.shields.io/badge/labml-experiment-brightgreen"></a></p>
+            <h1><a href="https://nn.labml.ai/conv_mixer/index.html">你只需要补丁吗？</a></h1>
+<p>这是 <a href="https://pytorch.org">PyTorch</a> 对论文《<a href="https://papers.labml.ai/paper/2201.09792">补丁就是你所需要的？</a>》的实现</p>。
+<p>convMixer 类似于 <a href="https://nn.labml.ai/transformers/mlp_mixer/index.html">MLP 混音器</a>。MLP-Mixer 通过在空间维度上应用 MLP，然后在信道维度上应用 MLP 来分离空间维度和信道维度的混音（空间 MLP 取代 <a href="https://nn.labml.ai/transformers/vit/index.html">vIT</a> 注意力，信道 MLP 是 ViT 的 <a href="https://nn.labml.ai/transformers/feed_forward.html">FFN</a>）。</p>
+<p>ConvMixer 使用 1x1 卷积进行通道混合，使用深度卷积进行空间混合。由于它是卷积而不是整个空间的完整的 MLP，因此与 vIT 或 MLP-Mixer 相比，它只混合附近的批次。此外，MLP-Mixer 每次混合使用两层 MLP，ConvMixer 每次混合使用单层。</p>
+<p>该论文建议删除信道混合（逐点卷积）上的剩余连接，在空间混合（深度卷积）上仅使用残差连接。他们还使用<a href="https://nn.labml.ai/normalization/batch_norm/index.html">批量标准化</a>而不是<a href="../normalization/layer_norm/index.html">图层标准化</a>。</p>
+<p>这是<a href="https://nn.labml.ai/conv_mixer/experiment.html">一项在 CIFAR-10 上训练 ConvMixer 的实验</a>。</p>
 
         </div>
         <div class='code'>