Merge branch 'master' of https://github.com/ascoders/weekly

机器学习/292.万能近似定理: 逼近任何函数的理论.md

@@ -56,7 +56,7 @@
 
 <img width=400 src="https://github.com/ascoders/imageStore/assets/7970947/9c708f59-2382-4b87-9077-b9eb0d2282e2">
 
-如果入参继续增加，这个函数将变得更加高维，人类我发想象出它的图像，但从数学上来讲，我们是在求解一个很高维的函数。
+如果入参继续增加，这个函数将变得更加高维，人类无法想象出它的图像，但从数学上来讲，我们是在求解一个很高维的函数。
 
 ## 多个变量时的 model function
 
@@ -110,4 +110,4 @@
 >
 > 然而，深度神经网络并非没有缺点。随着网络深度的增加，也会带来一些挑战，如梯度消失或梯度爆炸问题、过拟合、以及更高的计算成本和内存需求。因此，虽然深度神经网络在很多任务上表现出色，但设计和训练这样的网络需要谨慎和精细的技术，如残差连接（ResNet）、批量归一化、Dropout等技术，以及更高效的优化算法。
 
-有一点是可以肯定的，即因为网络深度的增加，确实会带来如 ChatGPT 所说的一系列问题，而这也是许多机器学习领域的专家研究的方向，在之后的章节中，我们会提到具体代码实现以及部分优化思路。我们下一篇就来介绍，如何设计该神经网络的代码。
+有一点是可以肯定的，即因为网络深度的增加，确实会带来如 ChatGPT 所说的一系列问题，而这也是许多机器学习领域的专家研究的方向，在之后的章节中，我们会提到具体代码实现以及部分优化思路。我们下一篇就来介绍，如何设计该神经网络的代码。