fix image path problem (#789)

Signed-off-by: 谢瑶瑶 <yaoyao.xyy@alibaba-inc.com>

基础教程/A3-神经网络高级模型（征稿）/素材积累/1.基本概率知识回顾.md

@@ -130,7 +130,7 @@ $$
 sum=1.0
 ```
 
-<img src="img/BernoulliDist.png"/>
+<img src="images/BernoulliDist.png"/>
 
 图1 参数为0.6时取到x次白球的概率
 

基础教程/A3-神经网络高级模型（征稿）/素材积累/2.最大似然估计.md

@@ -50,7 +50,7 @@ $$
 1.0 : 0.000000
 ```
 
-<img src="img/likelihood_berno.png"/>
+<img src="images/likelihood_berno.png"/>
 
 图1
 
@@ -129,7 +129,7 @@ $$
 
 公式8告诉我们，对于指数分布的参数 $\theta$ 的最大似然值等于 $x$ 的均值。
 
-<img src="img/likelihood_exp.png"/>
+<img src="images/likelihood_exp.png"/>
 图2
 
 图2中，分别设置$\theta$为0.5和0.3，用公式4得到两组指数分布样本数据$X1，X2$和它们的均值X1.mean和X2.mean，如下：
@@ -197,7 +197,7 @@ $$
 2. 然后根据公式10，在[0,1]区间以0.01的步长遍历作为 $\mu$ 值，计算每个点的 $L$ 值，得到两条似然曲线；
 3. 可以看到实线曲线的最大似然值的横坐标在0.38左右，与$\mu_1$相同；虚线曲线的最大似然值的横坐标在0.57左右，与$\mu_2$相同；证明了公式13中关于$\mu_{max}$的估计是正确的。
 
-<img src="img/likelihood_norm_mu.png"/>
+<img src="images/likelihood_norm_mu.png"/>
 
 图3
 
@@ -206,7 +206,7 @@ $$
 2. 然后根据公式10，在[0,1]区间以0.01的步长遍历作为 $\sigma^2$ 值，计算每个点的 $L$ 值，得到两条似然曲线。
 3. 可以看到实线曲线的最大似然值的横坐标在0.24左右，与$\sigma^2_1$相同；虚线曲线的最大似然值的横坐标在0.31左右，与$\sigma^2_2$相同；证明了公式13中关于$\sigma^2_{max}$的估计是正确的。
 
-<img src="img/likelihood_norm_std.png"/>
+<img src="images/likelihood_norm_std.png"/>
 
 图4
 

基础教程/A3-神经网络高级模型（征稿）/素材积累/3.最大后验概率.md

@@ -21,7 +21,7 @@ $$
 \theta_{max}=0.7
 $$
 
-<img src="img/likelihood_berno.png"/>
+<img src="images/likelihood_berno.png"/>
 图1
 
 意味着有10个球里最可能有7个白球和3个黑球，但是我们知道从第一个袋子里拿出10个球的最大概率是5个白球和5个黑球，也就是先验分布值为0.5，而不是0.7，这违背了人们的常识。
@@ -70,7 +70,7 @@ $$
 
 Beta分布的概率密度函数图：
 
-<img src="img/BetaDist.png"/>
+<img src="images/BetaDist.png"/>
 图2
 
 从图中可以看到实线所代表的参数组合$\alpha=3, \beta=3$与正态分布相似，最满足作为先验分布的要求，根据公式3，最大后验概率估计为：
@@ -94,7 +94,7 @@ $$
 \theta = \frac{\alpha + 6}{\alpha+\beta+8}=\frac{3+6}{3+3+8} \approx 0.64
 $$
 
-<img src="img/map_berno.png"/>
+<img src="images/map_berno.png"/>
 图3
 
 可以看到经过先验概率的矫正后，参数值已经从以前的最大似然估计的0.7变成了0.643，向0.5的方向靠近了一些，但是不可能达到0.5的，因为本次的采样就是7个白球3个黑球，太偏了。解决此问题的方法是多做几次试验，相当于增加采养数量，就会向真实的概率值逼近。