[TAG] Freeze Chapter 5 for localization and press

chapter_computer-vision/image-augmentation.md

@@ -153,7 +153,7 @@ def try_all_gpus():
             ctx = mx.gpu(i)
             _ = nd.array([0], ctx=ctx)
             ctxes.append(ctx)
-    except:
+    except mx.base.MXNetError:
         pass
     if not ctxes:
         ctxes = [mx.cpu()]

chapter_convolutional-neural-networks/batch-norm.md

@@ -81,7 +81,7 @@ def batch_norm(X, gamma, beta, moving_mean, moving_var, eps, momentum):
         X_hat = (X - mean) / nd.sqrt(var + eps)
         # 更新移动平均的均值和方差。
         moving_mean = momentum * moving_mean + (1.0 - momentum) * mean
-        moving_var = momentum * moving_var + (1.0 - momentum) * var     
+        moving_var = momentum * moving_var + (1.0 - momentum) * var
     Y = gamma * X_hat + beta  # 拉升和偏移。
     return Y, moving_mean, moving_var
 ```

chapter_convolutional-neural-networks/googlenet.md

@@ -40,7 +40,7 @@ class Inception(nn.Block):
         p1 = self.p1_1(x)
         p2 = self.p2_2(self.p2_1(x))
         p3 = self.p3_2(self.p3_1(x))
-        p4 = self.p4_2(self.p4_1(x))        
+        p4 = self.p4_2(self.p4_1(x))
         return nd.concat(p1, p2, p3, p4, dim=1)  # 在通道维上连结输出。
 ```
 

chapter_convolutional-neural-networks/lenet.md

@@ -22,7 +22,7 @@ LeNet分为卷积层块和全连接层块两个部分。下面我们分别介绍
 ```{.python .input}
 import gluonbook as gb
 import mxnet as mx
-from mxnet import autograd, gluon, init, nd 
+from mxnet import autograd, gluon, init, nd
 from mxnet.gluon import loss as gloss, nn
 import time
 
@@ -63,15 +63,15 @@ train_iter, test_iter = gb.load_data_fashion_mnist(batch_size=batch_size)
 因为卷积神经网络计算比多层感知机要复杂，建议使用GPU来加速计算。我们尝试在`gpu(0)`上创建NDArray，如果成功则使用`gpu(0)`，否则仍然使用CPU。
 
 ```{.python .input}
-def try_gpu():  # 本函数已保存在 gluonbook 包中方便以后使用。
+def try_gpu4():  # 本函数已保存在 gluonbook 包中方便以后使用。
     try:
         ctx = mx.gpu()
         _ = nd.zeros((1,), ctx=ctx)
-    except:
+    except mx.base.MXNetError:
         ctx = mx.cpu()
     return ctx
 
-ctx = try_gpu()
+ctx = try_gpu4()
 ctx
 ```
 

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

@@ -33,7 +33,7 @@ def comp_conv2d(conv2d, X):
     conv2d.initialize()
     # （1，1）代表批量大小和通道数（后面章节将介绍）均为 1。
     X = X.reshape((1, 1) + X.shape)
-    Y = conv2d(X)    
+    Y = conv2d(X)
     return Y.reshape(Y.shape[2:])  # 排除不关心的前两维：批量和通道。
 
 # 注意这里是两侧分别填充 1 行或列，所以在两侧一共填充 2 行或列。

chapter_convolutional-neural-networks/pooling.md

@@ -38,7 +38,7 @@ def pool2d(X, pool_size, mode='max'):
             if mode == 'max':
                 Y[i, j] = X[i: i + p_h, j: j + p_w].max()
             elif mode == 'avg':
-                Y[i, j] = X[i: i + p_h, j: j + p_w].mean()            
+                Y[i, j] = X[i: i + p_h, j: j + p_w].mean()       
     return Y
 ```
 

chapter_convolutional-neural-networks/vgg.md

@@ -16,7 +16,7 @@ from mxnet.gluon import nn
 def vgg_block(num_convs, num_channels):
     blk = nn.Sequential()
     for _ in range(num_convs):
-        blk.add(nn.Conv2D(num_channels, kernel_size=3, 
+        blk.add(nn.Conv2D(num_channels, kernel_size=3,
                           padding=1, activation='relu'))
     blk.add(nn.MaxPool2D(pool_size=2, strides=2))
     return blk