Update 5.在无标记数据集上进行预训练.md

cn-Book/5.在无标记数据集上进行预训练.md

@@ -328,7 +328,7 @@ neg_avg_log_probas = avg_log_probas * -1
 print(neg_avg_log_probas)
 ```
 
-结算的结果为：`tensor(-10.7940)`。
+结算的结果为：`tensor(10.7940)`。
 
 这种将负值 -10.7940 转化为正值 10.7940 的操作在深度学习中称为交叉熵损失。
 
@@ -1447,4 +1447,4 @@ What makes us want to be on top of that?
 + 训练集和验证集的损失可以用来评估 LLM 在训练过程中生成文本的质量。
 + 预训练 LLM 的过程就是通过调整模型权重来最小化训练损失。
 + LLM 的训练循环是深度学习中的标准流程，通常使用交叉熵损失和 AdamW 优化器。
-+ 在大规模文本数据集上预训练 LLM 非常耗费时间和资源，因此可以加载 OpenAI 提供的开源预训练权重，作为自行预训练模型的替代方案。
++ 在大规模文本数据集上预训练 LLM 非常耗费时间和资源，因此可以加载 OpenAI 提供的开源预训练权重，作为自行预训练模型的替代方案。