section nums in code comments

chapter_convolutional-neural-networks/conv-layer.md

@@ -95,8 +95,7 @@ Y
 虽然我们之前构造了`Conv2D`类，但由于`corr2d`使用了对单个元素赋值（`[i, j]=`）的操作因而无法自动求梯度。下面我们使用Gluon提供的`Conv2D`类来实现这个例子。
 
 ```{.python .input  n=83}
-# 构造一个输出通道数为1（将在“多输入通道和多输出通道”一节介绍通道），核数组形状是(1, 2)的二
-# 维卷积层
+# 构造一个输出通道数为1（将在5.3节介绍通道），核数组形状是(1, 2)的二维卷积层
 conv2d = nn.Conv2D(1, kernel_size=(1, 2))
 conv2d.initialize()
 

chapter_convolutional-neural-networks/lenet.md

@@ -78,8 +78,7 @@ ctx
 相应地，我们对[“softmax回归的从零开始实现”](../chapter_deep-learning-basics/softmax-regression-scratch.md)一节中描述的`evaluate_accuracy`函数略作修改。由于数据刚开始存在CPU使用的内存上，当`ctx`变量代表GPU及相应的显存时，我们通过[“GPU计算”](../chapter_deep-learning-computation/use-gpu.md)一节中介绍的`as_in_context`函数将数据复制到显存上，例如`gpu(0)`。
 
 ```{.python .input}
-# 本函数已保存在d2lzh包中方便以后使用。该函数将被逐步改进：它的完整实现将在“图像增广”一节中
-# 描述
+# 本函数已保存在d2lzh包中方便以后使用。该函数将被逐步改进：它的完整实现将在9.1节中描述
 def evaluate_accuracy(data_iter, net, ctx):
     acc_sum, n = nd.array([0], ctx=ctx), 0
     for X, y in data_iter:

chapter_convolutional-neural-networks/padding-and-strides.md

@@ -31,7 +31,7 @@ from mxnet.gluon import nn
 # 定义一个函数来计算卷积层。它初始化卷积层权重，并对输入和输出做相应的升维和降维
 def comp_conv2d(conv2d, X):
     conv2d.initialize()
-    # (1, 1)代表批量大小和通道数（“多输入通道和多输出通道”一节将介绍）均为1
+    # (1, 1)代表批量大小和通道数（5.3节将介绍）均为1
     X = X.reshape((1, 1) + X.shape)
     Y = conv2d(X)
     return Y.reshape(Y.shape[2:])  # 排除不关心的前两维：批量和通道

chapter_deep-learning-basics/softmax-regression-scratch.md

@@ -108,8 +108,7 @@ accuracy(y_hat, y)
 类似地，我们可以评价模型`net`在数据集`data_iter`上的准确率。
 
 ```{.python .input  n=13}
-# 本函数已保存在d2lzh包中方便以后使用。该函数将被逐步改进：它的完整实现将在“图像增广”一节中
-# 描述
+# 本函数已保存在d2lzh包中方便以后使用。该函数将被逐步改进：它的完整实现将在9.1节中描述
 def evaluate_accuracy(data_iter, net):
     acc_sum, n = 0.0, 0
     for X, y in data_iter:
@@ -145,7 +144,7 @@ def train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size,
             if trainer is None:
                 d2l.sgd(params, lr, batch_size)
             else:
-                trainer.step(batch_size)  # “softmax回归的简洁实现”一节将用到
+                trainer.step(batch_size)  # 3.7节将用到
             y = y.astype('float32')
             train_l_sum += l.asscalar()
             train_acc_sum += (y_hat.argmax(axis=1) == y).sum().asscalar()

chapter_deep-learning-computation/model-construction.md

@@ -16,7 +16,7 @@ class MLP(nn.Block):
     # 声明带有模型参数的层，这里声明了两个全连接层
     def __init__(self, **kwargs):
         # 调用MLP父类Block的构造函数来进行必要的初始化。这样在构造实例时还可以指定其他函数
-        # 参数，如“模型参数的访问、初始化和共享”一节将介绍的模型参数params
+        # 参数，如4.2节将介绍的模型参数params
         super(MLP, self).__init__(**kwargs)
         self.hidden = nn.Dense(256, activation='relu')  # 隐藏层
         self.output = nn.Dense(10)  # 输出层