Update 2.improving-deep-neural-networks-2.optimization-algorithms.md

Author: loveunk

deep-learning/2.improving-deep-neural-networks-2.optimization-algorithms.md

@@ -69,7 +69,7 @@ mini-batch的数量 _t_ 组成了 _X<sup>{t}</sup>_ 和 _Y<sup>{t}</sup>_ ，这
 Python伪代码如下
 
   ``` python
-  # there are 5000 epchos
+  # in one epoch, there are 5000 iterations
   for t in range(5000):
       # forward prop on X^{t}
       Z = W @ X[t] + b
@@ -550,7 +550,7 @@ for i in range(1, iterations):
 
 所以**我们从深度学习历史中学到的一课就是，我们对低维度空间的大部分直觉，比如你可以画出上面的图，并不能应用到高维度空间中**适用于其它算法，因为如果你有2万个参数，那么 _J_ 函数有2万个维度向量，你更可能遇到鞍点，而不是局部最优点。
 
-如果局部最优不是问题，那么问题是什么？结果是平稳段会减缓学习，平稳段是一块区域，其中导数长时间接近于0，如果你在此处，梯度会从曲面从从上向下下降，因为梯度等于或接近0，曲面很平坦，你得花上很长时间慢慢抵达平稳段的这个点，因为左边或右边的随机扰动，然后你的算法能够走出平稳段（红色笔）。
+如果局部最优不是问题，那么问题是什么？结果是平稳段会减缓学习，平稳段是一块区域，其中导数长时间接近于0，如果你在此处，梯度会从曲面从上向下下降，因为梯度等于或接近0，曲面很平坦，你得花上很长时间慢慢抵达平稳段的这个点，因为左边或右边的随机扰动，然后你的算法能够走出平稳段（红色笔）。
 
 
 我们可以沿着这段长坡走，直到这里，然后走出平稳段。
@@ -572,4 +572,4 @@ for i in range(1, iterations):
 
 - [2. Improving Deep Neural Networks (Part 2)](https://github.com/loveunk/deep-learning-exercise-notebook/blob/master/2.%20Improving%20Deep%20Neural%20Networks/week6)
 
-[回到首页](#深度神经网络调参和优化二)
+[回到首页](#深度神经网络调参和优化二)