修正章节 6 和 12 中的两处翻译错误

Chapter12/applications.tex

@@ -45,7 +45,8 @@ \subsection{快速的CPU实现}
 一条重要的准则就是，通过特殊设计的数值运算，我们可以获得巨大的回报。
 除了选择\gls{fixed_point_arithmetic}或者\gls{float_point_arithmetic}以外，其他的策略还包括了如通过优化数据结构避免高速缓存缺失、使用向量指令等。
 %还包括其他的策略，如通过优化数据结构避免高速缓存缺失、使用向量指令等。
-如果模型规模不会限制模型表现（不会影响模型精度）时，\gls{ML}的研究者们一般忽略这些实现的细节。
+%如果模型规模不会限制模型表现（不会影响模型精度）时，\gls{ML}的研究者们一般忽略这些实现的细节。
+许多机器学习研究者忽略这些实现细节，但是当实现的性能限制模型的规模时，模型的准确率也会受影响。
 % 432
 
 \subsection{GPU 实现}

Chapter2/linear_algebra.tex

@@ -69,7 +69,7 @@ \section{标量、向量、矩阵和张量}
             A_{2,1} & A_{2,2} \\
         \end{bmatrix}.
     \end{equation}
-    有时我们需要矩阵值表达式的\gls{index}，而不是单个元素。
+    有时我们需要为值为矩阵的非单个字母的表达式编制索引。
     在这种情况下，我们在表达式后面接下标，但不必将矩阵的变量名称小写化。
     比如，$f(\MA)_{i,j}$表示函数$f$作用在$\MA$上输出的矩阵的第$i$行第$j$列元素。
 

Chapter6/deep_feedforward_networks.tex

@@ -374,7 +374,7 @@ \subsubsection{使用最大似然学习条件分布}
 \end{equation}
 至少系数$\frac{1}{2}$和常数项不依赖于$\Vtheta$。
 舍弃的常数是基于\gls{gaussian_distribution}的方差，在这种情况下我们选择不把它参数化。
-之前，我们看到了对输出分布的最大似然估计和对线性模型\gls{mean_squared_error}的最小化之间的等价性，但事实上，这种等价性并不要求$f(\Vx; \Vtheta)$用于预测\gls{gaussian_distribution}的均值。
+之前，我们看到了对输出分布的最大似然估计和对线性模型\gls{mean_squared_error}的最小化之间的等价性，但事实上，这种等价性对于预测\gls{gaussian_distribution}均值的任何函数$f(\Vx; \Vtheta)$都是成立的。
 
 使用最大似然来导出代价函数的方法的一个优势是，它减轻了为每个模型设计代价函数的负担。
 明确一个模型$p(\Vy\mid\Vx)$则自动地确定了一个代价函数$\log p(\Vy\mid\Vx)$。