fix ch2.3 (#195)

Co-authored-by: Dalong <39682259+eedalong@users.noreply.github.com>

chapter_programming_interface/ml_workflow.md

@@ -5,7 +5,7 @@
 -   **数据处理：**
     首先，用户需要数据处理API来支持将数据集从磁盘读入。进一步，用户需要对读取数据进行数据预处理，从而可以将数据输入后续的机器学习模型中。
 
--   **模型定义：**
+-   **模型结构：**
     完成数据的读取后，用户需要模型定义API来定义机器学习模型。这些模型带有模型参数，可以对给定的数据进行推理。
 
 -   **损失函数和优化算法：**
@@ -16,7 +16,7 @@
 -   **训练过程：**
     给定一个数据集，模型，损失函数和优化器，用户需要训练API来定一个循环（Loop）从而将数据集中的数据按照小批量（mini-batch）的方式读取出来，反复计算梯度来更新模型。这个反复的过程称为训练。
 
--   **测试和调优：**
+-   **测试和调试：**
     训练过程中，用户需要测试API来对当前模型的精度进行评估。当精度达到目标后，训练结束。这一过程中，用户往往需要调试API来完成对模型的性能和正确性进行验证。
 
 ![机器学习系统工作流](../img/ch02/workflow.svg)

chapter_programming_interface/neural_network_layer.md

@@ -47,9 +47,9 @@
 有了卷积、池化、全连接组件就可以构建一个非常简单的卷积神经网络了， :numref:`nn_network`展示了一个卷积神经网络的模型结构。
 给定输入$3 \times 64 \times 64$的彩色图片，使用16个$3 \times 3$大小的卷积核做卷积，得到大小为$16 \times 64 \times 64$；
 再进行池化操作降维，得到大小为$16 \times 32 \times 32$的特征图；
-对特征图再卷积得到大小为$32 \times 32 \times 32$特征图，再进行池化操作得到$3 \times 16 \times 16$大小的特征图；
-我们需要对特征图做全连接，此时需要把特征图平铺成一维向量这部操作称为Flatten，压平后输入特征大小为$3\times 16 \times 16 = 768$；
-之后做一次全连接对大小为768特征变换到大小为128的特征，再依次做两次全连接分别得到64，10。
+对特征图再卷积得到大小为$32 \times 32 \times 32$特征图，再进行池化操作得到$32 \times 16 \times 16$大小的特征图；
+我们需要对特征图做全连接，此时需要把特征图平铺成一维向量这步操作称为Flatten，压平后输入特征大小为$32\times 16 \times 16 = 8192$；
+之后做一次全连接对大小为8192特征变换到大小为128的特征，再依次做两次全连接分别得到64，10。
 这里最后的输出结果是依据自己的实际问题而定，假设我们的输入是包含$0 \sim 9$的数字图片，做分类那输出对应是10个概率值，分别对应$0 \sim 9$的概率大小。
 
 ![卷积神经网络模型](../img/ch02/nn_network.svg)
@@ -69,7 +69,7 @@ input:(3,64,64)大小的图片
 # 创建卷积模型的训练变量,使用随机数初始化变量值
 conv1_filters = variable(random(size=(3, 3, 3, 16)))
 conv2_filters = variable(random(size=(3, 3, 16, 32)))
-fc1_weights = variable(random(size=(768, 128)))
+fc1_weights = variable(random(size=(8192, 128)))
 fc2_weights = variable(random(size=(128, 64)))
 fc3_weights = variable(random(size=(64, 10)))
 # 将所有需要训练的参数收集起来