mxnet=1.2.1, use save_parameters

build/build.yml

@@ -12,6 +12,6 @@ dependencies:
   - nbsphinx==0.2.14
   - recommonmark==0.4.0
   - https://github.com/mli/notedown/tarball/master
-  - mxnet-cu80==1.2.0
+  - mxnet-cu80==1.2.1
   - gluonbook==0.7.1
   - jieba==0.39

build/lint.sh

@@ -4,4 +4,5 @@
 for f in build/chapter*/*.ipynb; do
 	echo '===' $f
 	nblint --linter pyflakes $f 
+	nblint $f 
 done

chapter_appendix/aws.md

@@ -137,11 +137,11 @@ conda env create -f environment.yml
 source activate gluon
 ```
 
-默认环境里安装了CPU版本的MXNet。现在我们将它替换成GPU版本的MXNet（1.2.0版）。
+默认环境里安装了CPU版本的MXNet。现在我们将它替换成GPU版本的MXNet（1.2.1 版）。
 
 ```
 pip uninstall mxnet
-pip install mxnet-cu80==1.2.0
+pip install mxnet-cu80==1.2.1
 ```
 
 ## 运行Jupyter notebook

chapter_computer-vision/neural-style.md

@@ -137,8 +137,8 @@ $$\sum_{i,j} \left|x_{i,j} - x_{i+1,j}\right| + \left|x_{i,j} - x_{i,j+1}\right|
 
 ```{.python .input}
 def tv_loss(y_hat):
-    return 0.5 * ((y_hat[:,:,1:,:] - y_hat[:,:,:-1,:]).abs().mean() +
-                  (y_hat[:,:,:,1:] - y_hat[:,:,:,:-1]).abs().mean())
+    return 0.5 * ((y_hat[:, :, 1:, :] - y_hat[:, :, :-1, :]).abs().mean() +
+                  (y_hat[:, :, :, 1:] - y_hat[:, :, :, :-1]).abs().mean())
 ```
 
 训练中我们将上述三个损失函数加权求和。通过调整权重值我们可以控制学到的图片是否保留更多样式，更多内容，还是更加干净。此外注意到样式层里有五个神经层，我们对靠近输入的有较少的通道数的层给予比较大的权重。

chapter_deep-learning-computation/read-write.md

@@ -42,7 +42,7 @@ mydict2
 
 ## 读写Gluon模型的参数
 
-Block类提供了`save_params`和`load_params`函数来读写模型参数。它实际做的事情就是将所有参数保存成一个名称到NDArray的字典到文件。读取的时候会根据参数名称找到对应的NDArray并赋值。下面的例子我们首先创建一个多层感知机，初始化后将模型参数保存到文件里。
+Block类提供了`save_parameters`和`load_parameters`函数来读写模型参数。它实际做的事情就是将所有参数保存成一个名称到NDArray的字典到文件。读取的时候会根据参数名称找到对应的NDArray并赋值。下面的例子我们首先创建一个多层感知机，初始化后将模型参数保存到文件里。
 
 下面，我们创建一个多层感知机。
 
@@ -67,14 +67,14 @@ y = net(x)
 
 ```{.python .input}
 filename = 'mlp.params'
-net.save_params(filename)
+net.save_parameters(filename)
 ```
 
 然后，我们再实例化一次我们定义的多层感知机。但跟前面不一样是我们不是随机初始化模型参数，而是直接读取保存在文件里的参数。
 
 ```{.python .input  n=8}
 net2 = MLP()
-net2.load_params(filename)
+net2.load_parameters(filename)
 ```
 
 因为这两个实例都有同样的参数，那么对同一个`x`的计算结果将会是一样。
@@ -87,7 +87,7 @@ y2 == y
 ## 小结
 
 * 通过`save`和`load`可以很方便地读写NDArray。
-* 通过`load_params`和`save_params`可以很方便地读写Gluon的模型参数。
+* 通过`load_parameters`和`save_parameters`可以很方便地读写Gluon的模型参数。
 
 ## 练习
 

chapter_introduction/how-to-use.md

@@ -32,7 +32,7 @@
 
 此外，为避免重复描述，我们将本书多次使用的函数、类等封装在`gluonbook`包中。这些函数、类等的定义所在的章节已在附录中[“gluonbook包索引”](../chapter_appendix/gluonbook.md)里列出。
 
-本书所有代码已在MXNet 1.2.0、`gluonbook` 0.7.1和Python 3.6.4下测试通过。由于深度学习发展极为迅速，未来版本的MXNet可能会造成书中部分代码无法正常运行。如果遇到某一节代码无法正常运行的情况，可安装1.2.0版的MXNet和0.7.1版的`gluonbook`或在该节的讨论区汇报问题。如果你希望安装未来新版本的MXNet并获得该版本下测试通过的新代码，可参考[“安装和运行”](../chapter_prerequisite/install.md)一节更新代码和运行环境。
+本书所有代码已在MXNet 1.2.1、`gluonbook` 0.7.1和Python 3.6.4下测试通过。由于深度学习发展极为迅速，未来版本的MXNet可能会造成书中部分代码无法正常运行。如果遇到某一节代码无法正常运行的情况，可安装1.2.1版的MXNet和0.7.1版的`gluonbook`或在该节的讨论区汇报问题。如果你希望安装未来新版本的MXNet并获得该版本下测试通过的新代码，可参考[“安装和运行”](../chapter_prerequisite/install.md)一节更新代码和运行环境。
 
 
 ## 讨论区

environment.yml

@@ -6,5 +6,5 @@ dependencies:
 - pandas=0.23.2
 - pip:
   - requests==2.18.4
-  - mxnet==1.2.0
+  - mxnet==1.2.1
   - gluonbook==0.7.1