Merge pull request #107 from openmlsys/fix_ch02

fix ch02

chapter_programming_interface/c_python_interaction.md

@@ -9,7 +9,7 @@ Binding）。在Pybind11出现以前，将C和C++函数进行Python绑定的手
 
 - Python的C-API。这种方式要求在一个C++程序中包含Python.h，并使用Python的C-API对Python语言进行操作。使用这套API需要对Python的底层实现有一定了解，比如如何管理引用计数等，具有较高的使用门槛。
 
-- 简单包装界面产生器（Simplified Wrapper and Interface Generator，SWIG)。SWIG可以将C和C++代码暴露给Python。SWIG是TensorFlow早期使用的方式。这种方式需要用户便携一个复杂的SWIG接口声明文件，并使用SWIG自动生成使用Python
+- 简单包装界面产生器（Simplified Wrapper and Interface Generator，SWIG)。SWIG可以将C和C++代码暴露给Python。SWIG是TensorFlow早期使用的方式。这种方式需要用户编写一个复杂的SWIG接口声明文件，并使用SWIG自动生成使用Python
     C-API的C代码。自动生成的代码可读性很低，因此具有很大代码维护开销。
 
 -  Python的ctypes模块，提供了C语言中的类型，以及直接调用动态链接库的能力。缺点是依赖于C的原生的类型，对自定义类型支持不好。

chapter_programming_interface/neural_network_layer.md

@@ -98,7 +98,7 @@ Transformer又是BERT模型架构的重要组成。随着深度神经网络的
 随着网络层数的增加，手动管理训练变量是一个繁琐的过程，因此2.3.1中描述的接口在机器学习库中属于低级API。
 机器学习编程库大都提供了更高级用户友好的API，它将神经网络层抽象成一个基类，所有的神经网络层实现都继承基类调用低级API。
 如MindSpore提供的mindspore.nn.Cell、mindspore.nn.Conv2d、mindspore.dataset；
-PyTorch提供的torch.nn.Module、torch.nn.Conv2d、torch.utils.data.Datset。
+PyTorch提供的torch.nn.Module、torch.nn.Conv2d、torch.utils.data.Dataset。
 
  :numref:`model_build`描述了神经网络构建过程中的基本细节。
 神经网络层需要的功能有该层的训练参数（变量，包括初始化方法和训练状态）以及计算过程；

info/editors.md

@@ -6,7 +6,7 @@
 
 第1章 - 导论：[@luomai](https://github.com/luomai)
 
-第2章 - 编程模型：[@Laicheng0830](https://github.com/Laicheng0830)
+第2章 - 编程接口：[@Laicheng0830](https://github.com/Laicheng0830)
 
 第3章 - 计算图：[@hanjr92](https://github.com/hanjr92)