Merge branch 'serif'

Makefile

@@ -19,7 +19,7 @@ all: graphics $(TARGET)
 
 $(TARGET): $(SOURCES) $(IMAGEDEPS)
 	$(TEX) $(basename $@)
-	$(MKIDX) $(basename $@)
+	# $(MKIDX) $(basename $@)
 	$(MKGLS) $(basename $@)
 	$(TEX) $(basename $@)
 	$(TEX) $(basename $@)

README.md

@@ -45,7 +45,7 @@ $ ./bootstrap.sh
 This is a simple shell script to download the following free fonts into `fonts/` folder:
 
 - [Google Noto Sans CJK SC](https://noto-website-2.storage.googleapis.com/pkgs/NotoSansCJKsc-hinted.zip)
-- [Google Roboto](https://github.com/google/roboto/releases/download/v2.134/roboto-unhinted.zip)
+- [Google Noto Serif CJK SC](https://noto-website.storage.googleapis.com/pkgs/NotoSerifCJKsc-hinted.zip)
 - [Adobe Source Serif Pro](https://github.com/adobe-fonts/source-serif-pro/archive/1.017R.zip)
 - [Adobe Source Code Pro](https://github.com/adobe-fonts/source-code-pro/archive/2.030R-ro/1.050R-it.zip)
 
@@ -62,24 +62,13 @@ fonts/
 ├── NotoSansCJKsc-Thin.otf
 ├── NotoSansMonoCJKsc-Bold.otf
 ├── NotoSansMonoCJKsc-Regular.otf
-├── Roboto-Black.ttf
-├── Roboto-BlackItalic.ttf
-├── Roboto-Bold.ttf
-├── Roboto-BoldItalic.ttf
-├── Roboto-Italic.ttf
-├── Roboto-Light.ttf
-├── Roboto-LightItalic.ttf
-├── Roboto-Medium.ttf
-├── Roboto-MediumItalic.ttf
-├── Roboto-Regular.ttf
-├── Roboto-Thin.ttf
-├── Roboto-ThinItalic.ttf
-├── RobotoCondensed-Bold.ttf
-├── RobotoCondensed-BoldItalic.ttf
-├── RobotoCondensed-Italic.ttf
-├── RobotoCondensed-Light.ttf
-├── RobotoCondensed-LightItalic.ttf
-├── RobotoCondensed-Regular.ttf
+├── NotoSerifCJKsc-Black.otf
+├── NotoSerifCJKsc-Bold.otf
+├── NotoSerifCJKsc-DemiLight.otf
+├── NotoSerifCJKsc-Light.otf
+├── NotoSerifCJKsc-Medium.otf
+├── NotoSerifCJKsc-Regular.otf
+├── NotoSerifCJKsc-Thin.otf
 ├── SourceCodePro-Black.otf
 ├── SourceCodePro-BlackIt.otf
 ├── SourceCodePro-Bold.otf
@@ -115,3 +104,4 @@ $ make
 to typeset and generate the PDF document. Or use your favorite GUI TeX
 application, but choose `XeLaTeX` as the typeset engine to support the chinese
 fonts.
+

bootstrap.sh

@@ -1,8 +1,8 @@
 #!/bin/sh
 
 NOTO_SANS_CJKSC_URL="https://noto-website-2.storage.googleapis.com/pkgs/NotoSansCJKsc-hinted.zip"
-ROBOTO_URL="https://github.com/google/roboto/releases/download/v2.134/roboto-unhinted.zip"
-SOURCE_SERIF_PRO_URL="https://github.com/adobe-fonts/source-serif-pro/archive/1.017R.zip"
+NOTO_SERIF_CJKSC_URL="https://noto-website.storage.googleapis.com/pkgs/NotoSerifCJKsc-hinted.zip"
+SOURCE_SERIF_PRO_URL="https://github.com/adobe-fonts/source-serif-pro/archive/2.000R.zip"
 SOURCE_CODE_PRO_URL="https://github.com/adobe-fonts/source-code-pro/archive/2.030R-ro/1.050R-it.zip"
 
 SYSTEM=`uname -s`
@@ -23,25 +23,27 @@ trap "{ cd -; rm -rf $TMPDIR; exit 255; }" INT
 cd $TMPDIR  # switch to temp dir
 echo "Change to ${TMPDIR}"
 
-# Get NotoSans
+# Get Noto Sans
 filename=$(basename ${NOTO_SANS_CJKSC_URL})
 wget ${NOTO_SANS_CJKSC_URL}
 unzip $filename
 cp -f *.otf ${FONTDIR}
+rm -rf $TMPDIR/*
 
-# Get Roboto
-filename=$(basename ${ROBOTO_URL})
-folder=${filename%.zip}
-wget ${ROBOTO_URL}
+# Get Noto Serif
+filename=$(basename ${NOTO_SERIF_CJKSC_URL})
+wget ${NOTO_SERIF_CJKSC_URL}
 unzip $filename
-cp -f ${folder}/*.ttf ${FONTDIR}
+cp -f *.otf ${FONTDIR}
+rm -rf $TMPDIR/*
 
 # Get Source Serif Pro
 filename=$(basename ${SOURCE_SERIF_PRO_URL})
 folder="source-serif-pro-${filename%.zip}"
 wget ${SOURCE_SERIF_PRO_URL}
 unzip $filename
 cp -f ${folder}/OTF/*.otf ${FONTDIR}
+rm -rf $TMPDIR/*
 
 # Get Source Code Pro
 filename=$(basename ${SOURCE_CODE_PRO_URL})

chap2.tex

@@ -114,7 +114,7 @@ \section{热身：神经网络中使用矩阵快速计算输出的方法}
 
 在使用方程~\eqref{eq:25} 计算 $a^l$ 的过程中，我们计算了中间量 $z^l \equiv w^l
 a^{l-1}+b^l$。这个量其实是非常有用的：我们称 $z^l$ 为 $l$ 层神经元的\textbf{带权
-  输入}\index{带权输入}。在本章后面，我们会充分利用带权输入 $z^l$。方
+  输入}。在本章后面，我们会充分利用带权输入 $z^l$。方
 程~\eqref{eq:25} 有时候会以带权输入的形式写作 $a^l = \sigma(z^l)$。同样要指出的
 是 $z^l$ 的每个元素是 $z^l_j = \sum_k w^l_{jk} a^{l-1}_k+b^l_j$，其实 $z^l_j$ 就
 是第 $l$ 层第 $j$ 个神经元的激活函数的带权输入。
@@ -353,8 +353,7 @@ \section{反向传播的四个基本方程}
 \hyperref[fig:StepFunction]{上一章中S型函数的图形}，当 $\sigma(z^L_j)$ 近似为$0$
 或者 $1$ 的时候 $\sigma$ 函数变得非常平。这时 $\sigma'(z^L_j) \approx 0$。所以如
 果输出神经元处于或者低激活值（$\approx 0$）或者高激活值（$\approx 1$）时，最终层
-的\gls*{weight}学习缓慢。这样的情形，我们常常称输出神经元已经\textbf{饱和}\index{饱
-  和}了，并且，\gls*{weight}学习也会终止（或者学习非常缓慢）。类似的结果对于输出
+的\gls*{weight}学习缓慢。这样的情形，我们常常称输出神经元已经\textbf{饱和}了，并且，\gls*{weight}学习也会终止（或者学习非常缓慢）。类似的结果对于输出
 神经元的\gls*{bias}也是成立的。
 
 针对前面的层，我们也有类似的观点。特别地，注意在~\eqref{eq:bp2} 中的项
@@ -380,7 +379,7 @@ \section{反向传播的四个基本方程}
   \begin{minipage}{0.7\textwidth}
     \begin{framed}
       \centering
-      \textbf{总结：\gls*{bp}的四个方程式}\index{\gls*{bp}的四个方程式}\label{backpropsummary}\\
+      \textbf{总结：\gls*{bp}的四个方程式}\label{backpropsummary}\\
       \vspace{1.5ex}
       \begin{tabular}{ll}
         $\delta^L = \nabla_a C \odot \sigma'(z^L)$            & \hspace{2cm}\eqref{eq:bp1} \\[1.5ex]
@@ -424,7 +423,7 @@ \section{四个基本方程的证明（可选）}
 \label{sec:proof_of_the_four_fundamental_equations}
 
 我们现在证明这四个基本的方程 \eqref{eq:bp1}--\eqref{eq:bp4}。所有这些都是多元微
-积分的\href{https://en.wikipedia.org/wiki/Chain_rule}{链式法则}\index{链式法则}%
+积分的\href{https://en.wikipedia.org/wiki/Chain_rule}{链式法则}%
 的推论。如果你熟悉链式法则，那么我鼓励你在读之前尝试自己推导。
 
 让我们从方程~\eqref{eq:bp1} 开始，它给出了输出误差 $\delta^L$ 的表达式。为了证明