Update Automatic reference

chapter_introduction/components_of_machine_learning_systems.md

@@ -1,6 +1,6 @@
 ## 机器学习系统基本组成
 
-为了达到上述设计目标，一个现代的机器学习框架往往具有如图1.3.1所示的基本架构。
+为了达到上述设计目标，一个现代的机器学习框架往往具有如 :numref:`framework_architecture`所示的基本架构。
 
 ![机器学习框架基本构成](../img/ch01/framework_architecture.svg)
 :width:`600px`

chapter_introduction/requirements_for_machine_learning_systems.md

@@ -3,7 +3,7 @@
 :width:`600px`
 :label:`framework_position`
 
-为了支持日益增长的机器学习应用，开发者普遍需要一个新型的系统软件：机器学习框架（如图1.2.1所示）。这种框架一方面可以帮助用户进行高效的开发，另一方面使得机器学习模型的训练和部署可以高效使用通用处理器和计算加速器。在设计机器学习框架的过程，人们总结出了以下几个设计需求：
+为了支持日益增长的机器学习应用，开发者普遍需要一个新型的系统软件：机器学习框架（如 :numref:`framework_position`所示）。这种框架一方面可以帮助用户进行高效的开发，另一方面使得机器学习模型的训练和部署可以高效使用通用处理器和计算加速器。在设计机器学习框架的过程，人们总结出了以下几个设计需求：
 
 -   **支持多种神经网络：**
     深度学习的崛起使得神经网络成为了大量机器学习应用的核心。不同的应用具有多种数据形态和机器学习的目标，因此人们设计出了大量不同的神经网络，例如，卷积神经网络（Convolutional
@@ -31,7 +31,7 @@
 
 在设计机器学习系统之初，开发者曾尝试通过传统的**神经网络开发库**（如Theano和Caffe）、以及**大数据计算框架**（如Apache
 Spark和Google
-Pregel）等方式来达到以上设计目标。可是他们发现（如表1.2.1所示），
+Pregel）等方式来达到以上设计目标。可是他们发现（如 :numref:`comparison_of_ml_frameworks`所示），
 神经网络库虽然提供了神经网络开发、自动微分和加速器的支持，但是其缺乏管理和处理大型数据集、模型部署和分布式执行的能力，使得其无法满足产品级机器学习应用的开发。
 此外，虽然大数据计算框架具有成熟的分布式执行和数据管理能力，但是其缺乏对神经网络、自动微分和加速器的支持，使得其并不适合开发以神经网络为核心的机器学习应用。因此，业界从头设计出了包括MindSpore、PaddlePaddle、TensorFlow，PyTorch等一系列机器学习框架。