Chinese Translation (#1914)

examples/nas/darts/README_zh_CN.md

+[文档](https://nni.readthedocs.io/zh/latest/NAS/DARTS.html)

examples/nas/enas/README_zh_CN.md

+[文档](https://nni.readthedocs.io/zh/latest/NAS/ENAS.html)

examples/nas/naive/README_zh_CN.md

+这是一个简单示例，演示如何使用 NNI 接口实现 NAS 搜索空间。
\ No newline at end of file

examples/nas/pdarts/README_zh_CN.md

+[文档](https://nni.readthedocs.io/zh/latest/NAS/PDARTS.html)

examples/nas/spos/README_zh_CN.md

+[文档](https://nni.readthedocs.io/zh/latest/NAS/SPOS.html)

examples/nas/textnas/README_zh_CN.md

+# TextNAS: A Neural Architecture Search Space tailored for Text Representation
+
+TextNAS 由 MSRA 提出 正式版本。
+
+[论文链接](https://arxiv.org/abs/1912.10729)
+
+## 准备
+
+准备词向量和 SST 数据集，并按如下结构放到 data 目录中：
+
+```
+textnas
+├── data
+│   ├── sst
+│   │   └── trees
+│   │       ├── dev.txt
+│   │       ├── test.txt
+│   │       └── train.txt
+│   └── glove.840B.300d.txt
+├── dataloader.py
+├── model.py
+├── ops.py
+├── README.md
+├── search.py
+└── utils.py
+```
+
+以下链接有助于查找和下载相应的数据集：
+
+* [GloVe: Global Vectors for Word Representation](https://nlp.stanford.edu/projects/glove/)
+* [Recursive Deep Models for Semantic Compositionality Over a Sentiment Treebank](https://nlp.stanford.edu/sentiment/)
+
+## 搜索
+
+```
+python search.py
+```
+
+在每个搜索 Epoch 后，会直接测试 10 个采样的结构。 10 个 Epoch 后的性能预计为 40% - 42%。
+
+默认情况下，20 个采样结构会被导出到 `checkpoints` 目录中，以便进行下一步处理。
+
+## 重新训练
+
+待完成

examples/trials/README_zh_CN.md

@@ -6,7 +6,7 @@
 
 **1) 写好原始的训练代码**。
 
-Trial 的代码可以是任何能在本机运行的机器学习代码。 这里使用 `mnist-keras. py` 作为样例：
+Trial 的代码可以是任何能在本机运行的机器学习代码。 这里使用 `mnist-keras. py` 作为示例：
 
 ```python
 import argparse
@@ -163,7 +163,7 @@ def train(args, params):
 ...
 ```
 
-这是完整的样例：
+这是完整示例：
 
 ```python
 import argparse

examples/trials/cifar10_pytorch/README_zh_CN.md

-此样例需要安装 Pytorch。 Pytorch 安装包需要选择所基于的 Python 和 CUDA 版本。
+此示例需要安装 Pytorch。 Pytorch 安装包需要选择所基于的 Python 和 CUDA 版本。
 
-以下是 python==3.5 和 cuda == 8.0 下的环境样例，使用下列命令来安装 Pytorch： python3 -m pip install http://download.pytorch.org/whl/cu80/torch-0.4.1-cp35-cp35m-linux_x86_64.whl python3 -m pip install torchvision
\ No newline at end of file
+以下是 python==3.5 和 cuda == 8.0 下的环境示例，使用下列命令来安装 Pytorch： python3 -m pip install http://download.pytorch.org/whl/cu80/torch-0.4.1-cp35-cp35m-linux_x86_64.whl python3 -m pip install torchvision
\ No newline at end of file

examples/trials/ga_squad/README_zh_CN.md

 # 在阅读理解上使用自动模型架构搜索
 
-该样例展示了如何使用遗传算法为阅读理解任务找到好的模型架构。
+该示例展示了如何使用遗传算法为阅读理解任务找到好的模型架构。
 
 ## 搜索空间
 
@@ -20,9 +20,9 @@
 
 另一个时间更快，性能更好的版本正在开发中。 很快将发布。
 
-# 如何运行此样例？
+# 如何运行此示例？
 
-## 在本机或远程上运行此样例
+## 在本机或远程上运行此示例
 
 ### 使用下载脚本来下载数据
 
@@ -82,7 +82,7 @@
     nnictl create --config ~/nni/examples/trials/ga_squad/config.yml
     
 
-## 在 OpenPAI 上运行此样例
+## 在 OpenPAI 上运行此示例
 
 根据上传大小的限制，仅上传源代码，并在训练过程中下载数据。 本 Experiment 需要的内存 `memoryMB >= 32G`，训练过程可能需要数小时。
 
@@ -139,7 +139,7 @@
 
 ## 实现方法
 
-基于进化算法架构的问答和其它样例一样，有两个部分：Trial 和 Tuner。
+基于进化算法架构的问答和其它示例一样，有两个部分：Trial 和 Tuner。
 
 ### Trial
 
@@ -245,7 +245,7 @@ Tuner 比 Trial 代码简单很多。 它们共用了同样的 `graph.py`。 此
 
 ## 模型配置格式
 
-这是模型配置的样例，在架构搜索过程中，从 Tuner 传入 Trial 的代码。
+这是模型配置的示例，在架构搜索过程中，从 Tuner 传入 Trial 的代码。
 
     {
         "max_layer_num": 50,

examples/trials/kaggle-tgs-salt/README_zh_CN.md

 ## Kaggle 比赛 [TGS Salt Identification Chanllenge](https://www.kaggle.com/c/tgs-salt-identification-challenge) 第 33 名的解决方案
 
-此样例展示了如何在没有任何代码改动的情况下通过 NNI 来为竞赛代码使用自动机器学习。 要在 NNI 上运行此代码，首先需要单独运行它，然后配置 config.yml：
+本示例展示了如何不改动代码的情况下通过 NNI 来为竞赛代码使用自动机器学习。 要在 NNI 上运行此代码，首先需要单独运行它，然后配置 config.yml：
 
     nnictl create --config config.yml
     

examples/trials/network_morphism/README_zh_CN.md

 # 在 NNI 中用网络形态算法来进行自动模型结构搜索
 
-Network Morphism （网络形态）是内置的 Tuner，它使用了网络形态技术来搜索和评估新的网络结构。 该样例展示了如何使用它来为深度学习找到好的模型架构。
+Network Morphism （网络形态）是内置的 Tuner，它使用了网络形态技术来搜索和评估新的网络结构。 该示例展示了如何使用它来为深度学习找到好的模型架构。
 
-## 如何运行此样例？
+## 如何运行此示例？
 
 ### 1. 训练框架支持
 
@@ -58,7 +58,7 @@ trial:
 
 ### 4. 在代码中调用 "json\_to\_graph()" 函数
 
-修改代码来调用 "json\_to\_graph()" 函数来从收到的 JSON 字符串生成一个 Pytorch 或 Keras 模型。 简单样例：
+修改代码来调用 "json\_to\_graph()" 函数来从收到的 JSON 字符串生成一个 Pytorch 或 Keras 模型。 简单示例：
 
 ```python
 import nni
@@ -91,18 +91,18 @@ nni.report_final_result(best_acc)
 nnictl create --config config.yml
 ```
 
-## Trial 样例
+## Trial 示例
 
 下面的代码可在 `examples/trials/network_morphism/` 中找到。 可参考此代码来更新自己的任务。 希望它对你有用。
 
 ### FashionMNIST
 
-`Fashion-MNIST` 是来自 [Zalando](https://jobs.zalando.com/tech/) 文章的图片 — 有 60,000 个样例的训练集和 10,000 个样例的测试集。 每个样例是 28x28 的灰度图，分为 10 个类别。 由于 MNIST 数据集过于简单，该数据集现在开始被广泛使用，用来替换 MNIST 作为基准数据集。
+`Fashion-MNIST` 是来自 [Zalando](https://jobs.zalando.com/tech/) 文章的图片 — 有 60,000 个示例的训练集和 10,000 个示例的测试集。 每个示例是 28x28 的灰度图，分为 10 个类别。 由于 MNIST 数据集过于简单，该数据集现在开始被广泛使用，用来替换 MNIST 作为基准数据集。
 
-这里有两个样例，[FashionMNIST-keras.py](./FashionMNIST/FashionMNIST_keras.py) 和 [FashionMNIST-pytorch.py](./FashionMNIST/FashionMNIST_pytorch.py)。 注意，在 `config.yml` 中，需要为此数据集修改 `input_width` 为 28，以及 `input_channel` 为 1。
+这里有两个示例，[FashionMNIST-keras.py](./FashionMNIST/FashionMNIST_keras.py) 和 [FashionMNIST-pytorch.py](./FashionMNIST/FashionMNIST_pytorch.py)。 注意，在 `config.yml` 中，需要为此数据集修改 `input_width` 为 28，以及 `input_channel` 为 1。
 
 ### Cifar10
 
 `CIFAR-10` 数据集 [Canadian Institute For Advanced Research](https://www.cifar.ca/) 是广泛用于机器学习和视觉算法训练的数据集。 它是机器学习领域最广泛使用的数据集之一。 CIFAR-10 数据集包含了 60,000 张 32x32 的彩色图片，分为 10 类。
 
-这里有两个样例，[cifar10-keras.py](./cifar10/cifar10_keras.py) 和 [cifar10-pytorch.py](./cifar10/cifar10_pytorch.py)。 在 `config.yml` 中，该数据集 `input_width` 的值是 32，并且 `input_channel` 是 3。
\ No newline at end of file
+这里有两个示例，[cifar10-keras.py](./cifar10/cifar10_keras.py) 和 [cifar10-pytorch.py](./cifar10/cifar10_pytorch.py)。 在 `config.yml` 中，该数据集 `input_width` 的值是 32，并且 `input_channel` 是 3。
\ No newline at end of file

tools/nni_annotation/README_zh_CN.md

@@ -4,14 +4,14 @@
 
 为了获得良好的用户体验并减少对以后代码的影响，NNI 设计了通过 Annotation（标记）来使用的语法。 通过 Annotation，只需要在代码中加入一些注释字符串，就能启用 NNI，完全不影响代码原先的执行逻辑。
 
-样例如下：
+示例如下：
 
 ```python
 '''@nni.variable(nni.choice(0.1, 0.01, 0.001), name=learning_rate)'''
 learning_rate = 0.1
 ```
 
-此样例中，NNI 会从 (0.1, 0.01, 0.001) 中选择一个值赋给 learning_rate 变量。 第一行就是 NNI 的 Annotation，是 Python 中的一个字符串。 接下来的一行需要是赋值语句。 NNI 会根据 Annotation 行的信息，来给这一行的变量赋上相应的值。
+此示例中，NNI 会从 (0.1, 0.01, 0.001) 中选择一个值赋给 learning_rate 变量。 第一行就是 NNI 的 Annotation，是 Python 中的一个字符串。 接下来的一行需要是赋值语句。 NNI 会根据 Annotation 行的信息，来给这一行的变量赋上相应的值。
 
 通过这种方式，不需要修改任何代码，代码既可以直接运行，又可以使用 NNI 来调参。
 
@@ -43,7 +43,7 @@ NNI 支持如下 10 种类型来表示搜索空间：
 - `@nni.variable(nni.lognormal(mu, sigma),name=variable)` 变量值分布的公式为： exp(normal(mu, sigma))
 - `@nni.variable(nni.qlognormal(mu, sigma, q),name=variable)` 变量值分布的公式为： round(exp(normal(mu, sigma)) / q) * q
 
-样例如下：
+示例如下：
 
 ```python
 '''@nni.variable(nni.choice(0.1, 0.01, 0.001), name=learning_rate)'''