update.

Author: lisniuse

docs/article/advanced/numpy_array_programming.md

@@ -475,7 +475,7 @@ True
 
 ### 聚类算法
 
-机器学习是一个可以经常利用矢量化和广播的领域。 假设您有三角形的顶点（每行是x，y坐标）：
+机器学习是一个可以经常利用矢量化和广播的领域。 假设你有三角形的顶点（每行是x，y坐标）：
 
 ```python
 >>> tri = np.array([[1, 1],
@@ -727,7 +727,7 @@ array([0.0784, 0.0784, 0.0706, 0.0706, 0.0745, 0.0706, 0.0745, 0.0784,
 
 在图像分析中，一种常用的中间步骤是贴片提取。顾名思义，这包括从较大的数组中提取较小的重叠子阵列，并可用于有利于“去噪”或模糊图像的情况。
 
-这一概念也扩展到其他领域。例如，您可以通过使用具有多个特性(变量)的时间序列的“滚动”窗口来做类似的事情。它甚至对构建[康威的“生命游戏”](https://bitstorm.org/gameoflife/)很有用。(不过，与3x3内核的[卷积](https://docs.scipy.org/doc/scipy/reference/generated/scipy.signal.convolve.html)是一种更直接的方法。)
+这一概念也扩展到其他领域。例如，你可以通过使用具有多个特性(变量)的时间序列的“滚动”窗口来做类似的事情。它甚至对构建[康威的“生命游戏”](https://bitstorm.org/gameoflife/)很有用。(不过，与3x3内核的[卷积](https://docs.scipy.org/doc/scipy/reference/generated/scipy.signal.convolve.html)是一种更直接的方法。)
 
 在这里，我们将找到 img 中每个重叠的10x10修补的平均值。以一个微型示例为例，img左上角的第一个3x3修补程序矩阵将是：
 
@@ -860,7 +860,7 @@ True
 
 ## 更多资源
 
-免费奖励：[单击此处可获得免费的NumPy资源指南](https://realpython.com/numpy-array-programming/#)，该指南将为您提供提高NumPy技能的最佳教程、视频和书籍。
+免费奖励：[单击此处可获得免费的NumPy资源指南](https://realpython.com/numpy-array-programming/#)，该指南将为你提供提高NumPy技能的最佳教程、视频和书籍。
 
 NumPy 文档：
 

docs/article/advanced/numpy_exercises_for_data_analysis.md

@@ -4,7 +4,7 @@ Numpy练习的目标仅作为学习numpy的参考，并让你脱离基础性的N
 
 ![Numpy教程第2部分：数据分析的重要函数。图片由安娜贾斯汀卢布克拍摄。](/static/images/101-numpy-exercises-1024x683.jpg)
 
-如果您想快速进阶你的numpy知识，那么[numpy基础知识](https://www.machinelearningplus.com/numpy-tutorial-part1-array-python-examples)和[高级numpy教程](https://www.machinelearningplus.com/numpy-tutorial-python-part2)可能就是您要寻找的内容。
+如果你想快速进阶你的numpy知识，那么[numpy基础知识](https://www.machinelearningplus.com/numpy-tutorial-part1-array-python-examples)和[高级numpy教程](https://www.machinelearningplus.com/numpy-tutorial-python-part2)可能就是你要寻找的内容。
 
 **更新：**现在有一套类似的关于[pandas](https://www.machinelearningplus.com/python/101-pandas-exercises-python/)的练习。 
 

docs/article/other/py_basic_ops.md

@@ -54,7 +54,7 @@
 <p>Numpy是一个用于快速数组计算的优化库。因此，使用原生python的数组简单地访问每个像素值，并修改它将非常缓慢，我们并不推荐这种方法。</p>
 </div>
 
-> **注意：** 上述方法通常用于选择数组区域，例如前5行和最后3列。对于单个像素访问，但用Numpy数组的方法、array.tem()和array.itemset() 会更适合。因为它总是返回一个标量。因此，如果您想访问所有的B，G，R值，您需要为所有人分别调用array.tem()。
+> **注意：** 上述方法通常用于选择数组区域，例如前5行和最后3列。对于单个像素访问，但用Numpy数组的方法、array.tem()和array.itemset() 会更适合。因为它总是返回一个标量。因此，如果你想访问所有的B，G，R值，你需要为所有人分别调用array.tem()。
 
 更好的像素访问和编辑方法：
 
@@ -100,7 +100,7 @@ uint8
 
 ## 图像 ROI
 
-有时，您必须使用某些图像区域。对于图像中的眼睛检测，在整个图像上进行第一次面部检测，并且当获得面部时，我们单独选择面部区域并搜索其内部的眼睛而不是搜索整个图像。它提高了准确性（因为眼睛总是在脸上：D）和表现（因为我们搜索的是一小块区域）
+有时，你必须使用某些图像区域。对于图像中的眼睛检测，在整个图像上进行第一次面部检测，并且当获得面部时，我们单独选择面部区域并搜索其内部的眼睛而不是搜索整个图像。它提高了准确性（因为眼睛总是在脸上：D）和表现（因为我们搜索的是一小块区域）
 
 使用Numpy索引再次获得ROI。在这里，我选择球并将其复制到图像中的另一个区域：
 
@@ -115,7 +115,7 @@ uint8
 
 ## 拆分和合并图像通道
 
-有时您需要在B,G,R通道图像上单独工作。然后，您需要将BGR图像分割为单个平面。或者，您可能需要将这些单独的通道连接到BGR图像。您可以通过以下方式完成：
+有时你需要在B,G,R通道图像上单独工作。然后，你需要将BGR图像分割为单个平面。或者，你可能需要将这些单独的通道连接到BGR图像。你可以通过以下方式完成：
 
 ```python
 >>> b,g,r = cv2.split(img)
@@ -128,7 +128,7 @@ uint8
 >>> b = img[:,:,0]
 ```
 
-假设，您想要将所有红色像素设为零，您不需要像这样分割并将其等于零。 您可以简单地使用Numpy索引，这样更快。
+假设，你想要将所有红色像素设为零，你不需要像这样分割并将其等于零。 你可以简单地使用Numpy索引，这样更快。
 
 ```python
 >>> img[:,:,2] = 0
@@ -189,7 +189,7 @@ plt.show()
 
 你找不到你想要的东西？
 - 在[问答论坛](http://answers.opencv.org/)上提问。
-- 如果您认为文档中缺少某些内容或错误，请提交[错误报告](http://code.opencv.org/)。
+- 如果你认为文档中缺少某些内容或错误，请提交[错误报告](http://code.opencv.org/)。
 
 ## 文章出处
 

docs/index.md

@@ -22,7 +22,7 @@
 
 ## 贡献翻译
 
-如果您想贡献翻译，可以前往Teadocs文档生成工具的项目地址查看使用帮助，然后将你翻译的内容提交PR（包括不限于校对、翻译纠错），审核通过后我会把您加入贡献者/译者名单，感谢您对国内机器学习开源社区的贡献。
+如果你想贡献翻译，可以前往Teadocs文档生成工具的项目地址查看使用帮助，然后将你翻译的内容提交PR（包括不限于校对、翻译纠错），审核通过后我会把你加入贡献者/译者名单，感谢你对国内机器学习开源社区的贡献。
 
 ## 文档生成
 
@@ -38,7 +38,7 @@
 
 ## 支持者名单
 
-如果您把我们的地址加入到您的网站中去，请联系我，我会把你加入支持者名单。（以下排名按照时间顺序排列）
+如果你把我们的地址加入到你的网站中去，请联系我，我会把你加入支持者名单。（以下排名按照时间顺序排列）
 
 昵称/机构 | 网站 | 备注 | logo
 ---|---|---|---

docs/reference/array_objects/array_interface.md

@@ -177,7 +177,7 @@ typedef struct {
 1. PyArrayInterface结构最后没有descr成员（因此没有标志ARR_HAS_DESCR）
 1. 未指定从__array_struct__返回的PyCObject的desc成员。 通常，它是暴露数组的对象（因此当C对象被销毁时，可以保留和销毁对它的引用）。 现在它必须是一个元组，其第一个元素是带有“PyArrayInterface Version＃”的字符串，其第二个元素是暴露数组的对象。
 1. 从__array_interface __ ['data']返回的元组曾经是一个十六进制字符串（现在它是一个整数或一个长整数）。
-1. 没有__array_interface__属性，而__array_interface__字典中的所有键（版本除外）都是它们自己的属性：因此要获取Python端信息，您必须单独访问属性：
+1. 没有__array_interface__属性，而__array_interface__字典中的所有键（版本除外）都是它们自己的属性：因此要获取Python端信息，你必须单独访问属性：
  - __array_data__
  - __array_shape__
  - __array_strides__

docs/reference/array_objects/datetime.md

@@ -170,7 +170,7 @@ busday功能的默认值是唯一有效的日期是周一到周五（通常的
 
 “busday”功能还可以检查“假日”日期列表，特定日期是无效日期。
 
-函数``busday_offset``允许您将工作日中指定的偏移量应用于日期时间，单位为“D”（天）。
+函数``busday_offset``允许你将工作日中指定的偏移量应用于日期时间，单位为“D”（天）。
 
 **例子**
 
@@ -278,7 +278,7 @@ array([ True, True, True, True, True, False, False], dtype='bool')
 -5
 ```
 
-如果您有一组datetime64天值，并且您想要计算其中有多少是有效日期，则可以执行以下操作：
+如果你有一组datetime64天值，并且你想要计算其中有多少是有效日期，则可以执行以下操作：
 
 **例子**
 

docs/reference/array_objects/dtypes.md

@@ -295,7 +295,7 @@ buffer | void
 
 {'field1': ..., 'field2': ..., ...}
 
-> 不鼓励使用这种用法，因为它与其他基于dict的构造方法不一致。 如果您有一个名为“names”的字段和一个名为“formats”的字段，则会发生冲突。
+> 不鼓励使用这种用法，因为它与其他基于dict的构造方法不一致。 如果你有一个名为“names”的字段和一个名为“formats”的字段，则会发生冲突。
 > 此样式允许传入数据类型对象的fields属性。
 > obj应该包含引用（数据类型，偏移量）或（数据类型，偏移量，标题）元组的字符串或unicode键。
 

docs/reference/array_objects/indexing.md

@@ -90,7 +90,7 @@
 <p>对于高级索引，上述情况并非如此。</p>
 </div>
 
-- 你可以使用切片来设置数组中的值，但是（与列表不同）您永远不会增长数组。 要在x [obj] = value中设置的值的大小必须（可广播）为与x [obj]相同的形状。
+- 你可以使用切片来设置数组中的值，但是（与列表不同）你永远不会增长数组。 要在x [obj] = value中设置的值的大小必须（可广播）为与x [obj]相同的形状。
 
 > **注意**
 > 请记住，切片元组始终可以构造为obj并在x [obj]表示法中使用。 可以在构造中使用切片对象代替[start:stop:step]表示法。 例如，x[1:10:5,:: - 1]也可以实现为obj=(slice(1,10,5)，slice(None, None, -1)); x[obj]。这对于构造适用于任意维数组的通用代码非常有用。

docs/reference/array_objects/iterating_bver_arrays.md

@@ -100,7 +100,7 @@ array([[ 0, 2, 4],
 
 ### 跟踪索引或多索引
 
-在迭代期间，您可能希望在计算中使用当前元素的索引。 例如，您可能希望按内存顺序访问数组的元素，但使用C顺序，Fortran顺序或多维索引来查找不同数组中的值。
+在迭代期间，你可能希望在计算中使用当前元素的索引。 例如，你可能希望按内存顺序访问数组的元素，但使用C顺序，Fortran顺序或多维索引来查找不同数组中的值。
 
 Python迭代器协议没有一种从迭代器查询这些附加值的自然方法，因此我们引入了一种用``nditer``迭代的替代语法。 此语法显式使用迭代器对象本身，因此在迭代期间可以轻松访问其属性。 使用此循环结构，可以通过索引到迭代器来访问当前值，并且正在跟踪的索引是属性索引或multi_index，具体取决于请求的内容。
 
@@ -138,7 +138,7 @@ array([[ 0, 1, 2],
  [-1, 0, 1]])
 ```
 
-跟踪索引或多索引与使用外部循环不兼容，因为它需要每个元素具有不同的索引值。 如果您尝试组合这些标志，``nditer``对象将引发异常
+跟踪索引或多索引与使用外部循环不兼容，因为它需要每个元素具有不同的索引值。 如果你尝试组合这些标志，``nditer``对象将引发异常
 
 **例子**
 
@@ -215,7 +215,7 @@ TypeError: Iterator operand required copying or buffering, but neither copying n
 1.73205080757j 1.41421356237j 1j 0j (1+0j) (1.41421356237+0j)
 ```
 
-迭代器使用NumPy的转换规则来确定是否允许特定转换。 默认情况下，它会强制执行“安全”转换。 这意味着，例如，如果您尝试将64位浮点数组视为32位浮点数组，则会引发异常。 在许多情况下，规则'same_kind'是最合理的规则，因为它允许从64位转换为32位浮点数，但不允许从float转换为int或从complex转换为float。
+迭代器使用NumPy的转换规则来确定是否允许特定转换。 默认情况下，它会强制执行“安全”转换。 这意味着，例如，如果你尝试将64位浮点数组视为32位浮点数组，则会引发异常。 在许多情况下，规则'same_kind'是最合理的规则，因为它允许从64位转换为32位浮点数，但不允许从float转换为int或从complex转换为float。
 
 **例子**
 
@@ -260,7 +260,7 @@ TypeError: Iterator requested dtype could not be cast from dtype('float64') to d
 
 ## 广播数组迭代
 
-NumPy有一套规则来处理具有不同形状的数组，只要函数采用多个组合元素的操作数，就会应用这些规则。 这称为广播。 当您需要编写这样的函数时，``nditer``对象可以为您应用这些规则。
+NumPy有一套规则来处理具有不同形状的数组，只要函数采用多个组合元素的操作数，就会应用这些规则。 这称为广播。 当你需要编写这样的函数时，``nditer``对象可以为你应用这些规则。
 
 作为示例，我们打印出一维和二维阵列一起广播的结果。
 
@@ -315,7 +315,7 @@ array([1, 4, 9])
 
 虽然我们正在使用它，但我们还会引入'no_broadcast'标志，这将阻止输出被广播。 这很重要，因为我们只需要每个输出一个输入值。 聚合多个输入值是减少操作，需要特殊处理。 它已经引发错误，因为必须在迭代器标志中显式启用减少，但是对于最终用户来说，禁用广播导致的错误消息更容易理解。 要了解如何将square函数推广到缩减，请查看有关Cython的部分中的平方和函数。
 
-为了完整起见，我们还将添加'external_loop'和'buffered'标志，因为出于性能原因，这些标志通常是您需要的。
+为了完整起见，我们还将添加'external_loop'和'buffered'标志，因为出于性能原因，这些标志通常是你需要的。
 
 **例子**
 
@@ -354,7 +354,7 @@ ValueError: non-broadcastable output operand with shape (3) doesn't match the br
 
 ### 外部产品迭代
 
-任何二进制操作都可以在外部以外部产品``like``扩展到数组操作，而``nditer``对象提供了一种通过显式映射操作数的轴来实现这一目的的方法。 也可以使用``newaxis``索引来完成此操作，但我们将向您展示如何直接使用nditer op_axes参数来完成此操作而不使用中间视图。
+任何二进制操作都可以在外部以外部产品``like``扩展到数组操作，而``nditer``对象提供了一种通过显式映射操作数的轴来实现这一目的的方法。 也可以使用``newaxis``索引来完成此操作，但我们将向你展示如何直接使用nditer op_axes参数来完成此操作而不使用中间视图。
 
 我们将做一个简单的外部产品，将第一个操作数的尺寸放在第二个操作数的尺寸之前。 op_axes参数需要每个操作数的一个轴列表，并提供从迭代器轴到操作数轴的映射。
 
@@ -540,7 +540,7 @@ def sum_squares_cy(arr, axis=None, out=None):
  return it.operands[1]
 ```
 
-在这台机器上，将.pyx文件构建到模块中如下所示，但您可能需要找到一些Cython教程来告诉您系统配置的具体信息：
+在这台机器上，将.pyx文件构建到模块中如下所示，但你可能需要找到一些Cython教程来告诉你系统配置的具体信息：
 
 ```sh
 $ cython sum_squares.pyx

docs/reference/array_objects/n_dimensional_array.md

@@ -83,7 +83,7 @@ C和Fortran顺序都是连续的，即单段存储器布局，其中存储器块
 > **注意**
 > 默认情况下尚未应用第一条和第二条. 从NumPy 1.8.0开始，只有在构建NumPy时定义了环境变量NPY_RELAXED_STRIDES_CHECKING = 1时才会一致地应用它们。逐步的会成为默认值。
 > 
-> 您可以通过查看np.ones((10,1), order = 'C').flags.f_contiguous 的值来检查在构建NumPy时是否启用了此选项。如果是True，那么你的NumPy就没有启用步幅检查的功能。
+> 你可以通过查看np.ones((10,1), order = 'C').flags.f_contiguous 的值来检查在构建NumPy时是否启用了此选项。如果是True，那么你的NumPy就没有启用步幅检查的功能。
 
 <div class="warning-warp">
 <b>警告</b>
@@ -97,7 +97,7 @@ C和Fortran顺序都是连续的，即单段存储器布局，其中存储器块
 
 ## 数组属性
 
-数组属性反映数组本身固有的信息。通常，通过数组的属性访问它，您可以获取并设置数组的内部属性，而无需创建新的数组。公开的属性是数组的核心部分，只有其中一些属性可以在不创建新数组的情况下进行有意义的重置。每个属性的信息如下。
+数组属性反映数组本身固有的信息。通常，通过数组的属性访问它，你可以获取并设置数组的内部属性，而无需创建新的数组。公开的属性是数组的核心部分，只有其中一些属性可以在不创建新数组的情况下进行有意义的重置。每个属性的信息如下。
 
 ### 内存相关的属性