fix url spell error and delete unnecessary hyperlinks

model_zoo/official/cv/cnnctc/README_CN.md

@@ -11,18 +11,18 @@
 - [环境要求](#环境要求)
 - [快速入门](#快速入门)
 - [脚本说明](#脚本说明)
-    - [脚本及样例代码](#脚本及样例代码)
-    - [脚本参数](#脚本参数)
-    - [训练过程](#训练过程)
+  - [脚本及样例代码](#脚本及样例代码)
+  - [脚本参数](#脚本参数)
+  - [训练过程](#训练过程)
         - [训练](#训练)
         - [训练结果](#训练结果)
-    - [评估过程](#评估过程)
+  - [评估过程](#评估过程)
         - [评估](#评估)
 - [模型描述](#模型描述)
-    - [性能](#性能)
+  - [性能](#性能)
         - [训练性能](#训练性能)
         - [评估性能](#评估性能)
-    - [用法](#用法)
+  - [用法](#用法)
         - [推理](#推理)
         - [在预训练模型上继续训练](#在预训练模型上继续训练)
 - [ModelZoo主页](#modelzoo主页)
@@ -30,6 +30,7 @@
 <!-- /TOC -->
 
 # CNN+CTC描述
+
 本文描述了对场景文本识别（STR）的三个主要贡献。
 首先检查训练和评估数据集不一致的内容，以及导致的性能差距。
 再引入一个统一的四阶段STR框架，目前大多数STR模型都能够适应这个框架。
@@ -40,6 +41,7 @@
 [论文](https://arxiv.org/abs/1904.01906)： J. Baek, G. Kim, J. Lee, S. Park, D. Han, S. Yun, S. J. Oh, and H. Lee, “What is wrong with scene text recognition model comparisons? dataset and model analysis,” ArXiv, vol. abs/1904.01906, 2019.
 
 # 模型架构
+
 示例：在MindSpore上使用MJSynth和SynthText数据集训练CNN+CTC模型进行文本识别。
 
 # 数据集
@@ -47,14 +49,18 @@
 [MJSynth](https://www.robots.ox.ac.uk/~vgg/data/text/)和[SynthText](https://github.com/ankush-me/SynthText)数据集用于模型训练。[The IIIT 5K-word dataset](https://cvit.iiit.ac.in/research/projects/cvit-projects/the-iiit-5k-word-dataset)数据集用于评估。
 
 - 步骤1：
+
 所有数据集均经过预处理，以.lmdb格式存储，点击[**此处**](https://drive.google.com/drive/folders/192UfE9agQUMNq6AgU3_E05_FcPZK4hyt)可下载。
 
 - 步骤2：
+
 解压下载的文件，重命名MJSynth数据集为MJ，SynthText数据集为ST，IIIT数据集为IIIT。
 
 - 步骤3：
+
 将上述三个数据集移至`cnctc_data`文件夹中，结构如下：
-```
+
+```python
 |--- CNNCTC/
     |--- cnnctc_data/
         |--- ST/
@@ -66,13 +72,15 @@
         |--- IIIT/
             data.mdb
             lock.mdb
-    
+
     ......
 ```
 
 - 步骤4：
+
 预处理数据集：
-```
+
+```shell
 python src/preprocess_dataset.py
 ```
 
@@ -87,22 +95,24 @@ python src/preprocess_dataset.py
 
 # 环境要求
 
-- 硬件（Ascend）
-  
-  - 准备Ascend或GPU处理器搭建硬件环境。如需试用昇腾处理器，请发送[申请表](https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/file/other/Ascend%20Model%20Zoo%E4%BD%93%E9%AA%8C%E8%B5%84%E6%BA%90%E7%94%B3%E8%AF%B7%E8%A1%A8.docx)至ascend@huawei.com，审核通过即可获得资源。
+- 硬件(Ascend)
+
+    - 准备Ascend或GPU处理器搭建硬件环境。如需试用昇腾处理器，请发送[申请表](https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/file/other/Ascend%20Model%20Zoo%E4%BD%93%E9%AA%8C%E8%B5%84%E6%BA%90%E7%94%B3%E8%AF%B7%E8%A1%A8.docx)至ascend@huawei.com，审核通过即可获得资源。
+
 - 框架
-  
+
   - [MindSpore](https://www.mindspore.cn/install)
+
 - 如需查看详情，请参见如下资源：
   - [MindSpore教程](https://www.mindspore.cn/tutorial/zh-CN/master/index.html)
 
-  - [MindSpore API](https://www.mindspore.cn/api/zh-CN/master/index.html)
+  - [MindSpore Python API](https://www.mindspore.cn/doc/api_python/zh-CN/master/index.html)
 
 # 快速入门
 
 - 安装依赖：
 
-```
+```python
 pip install lmdb
 pip install Pillow
 pip install tqdm
@@ -111,19 +121,19 @@ pip install six
 
 - 单机训练：
 
-```
+```shell
 bash scripts/run_standalone_train_ascend.sh $PRETRAINED_CKPT
 ```
 
 - 分布式训练：
 
-```
+```shell
 bash scripts/run_distribute_train_ascend.sh $RANK_TABLE_FILE $PRETRAINED_CKPT
 ```
 
 - 评估：
 
-```
+```shell
 bash scripts/run_eval_ascend.sh $TRAINED_CKPT
 ```
 
@@ -132,7 +142,8 @@ bash scripts/run_eval_ascend.sh $TRAINED_CKPT
 ## 脚本及样例代码
 
 完整代码结构如下：
-```
+
+```python
 |--- CNNCTC/
     |---README.md    // CNN+CTC相关描述
     |---train.py    // 训练脚本
@@ -154,37 +165,40 @@ bash scripts/run_eval_ascend.sh $TRAINED_CKPT
 ```
 
 ## 脚本参数
+
 在`config.py`中可以同时配置训练参数和评估参数。
 
 参数：
-  * `--CHARACTER`：字符标签。
-  * `--NUM_CLASS`：类别数，包含所有字符标签和CTCLoss的<blank>标签。
-  * `--HIDDEN_SIZE`：模型隐藏大小。
-  * `--FINAL_FEATURE_WIDTH`：特性的数量。
-  * `--IMG_H`：输入图像高度。
-  * `--IMG_W`：输入图像宽度。
-  * `--TRAIN_DATASET_PATH`：训练数据集的路径。
-  * `--TRAIN_DATASET_INDEX_PATH`：决定顺序的训练数据集索引文件的路径。
-  * `--TRAIN_BATCH_SIZE`：训练批次大小。在批次大小和索引文件中，必须确保输入数据是固定的形状。
-  * `--TRAIN_DATASET_SIZE`：训练数据集大小。
-  * `--TEST_DATASET_PATH`：测试数据集的路径。
-  * `--TEST_BATCH_SIZE`：测试批次大小。
-  * `--TRAIN_EPOCHS`：总训练轮次。
-  * `--CKPT_PATH`：模型检查点文件路径，可用于恢复训练和评估。
-  * `--SAVE_PATH`：模型检查点文件保存路径。
-  * `--LR`：单机训练学习率。
-  * `--LR_PARA`：分布式训练学习率。
-  * `--Momentum`：动量。
-  * `--LOSS_SCALE`：损失放大，避免梯度下溢。
-  * `--SAVE_CKPT_PER_N_STEP`：每N步保存模型检查点文件。
-  * `--KEEP_CKPT_MAX_NUM`：模型检查点文件保存数量上限。
+
+- `--CHARACTER`：字符标签。
+- `--NUM_CLASS`：类别数，包含所有字符标签和CTCLoss的<blank>标签。
+- `--HIDDEN_SIZE`：模型隐藏大小。
+- `--FINAL_FEATURE_WIDTH`：特性的数量。
+- `--IMG_H`：输入图像高度。
+- `--IMG_W`：输入图像宽度。
+- `--TRAIN_DATASET_PATH`：训练数据集的路径。
+- `--TRAIN_DATASET_INDEX_PATH`：决定顺序的训练数据集索引文件的路径。
+- `--TRAIN_BATCH_SIZE`：训练批次大小。在批次大小和索引文件中，必须确保输入数据是固定的形状。
+- `--TRAIN_DATASET_SIZE`：训练数据集大小。
+- `--TEST_DATASET_PATH`：测试数据集的路径。
+- `--TEST_BATCH_SIZE`：测试批次大小。
+- `--TRAIN_EPOCHS`：总训练轮次。
+- `--CKPT_PATH`：模型检查点文件路径，可用于恢复训练和评估。
+- `--SAVE_PATH`：模型检查点文件保存路径。
+- `--LR`：单机训练学习率。
+- `--LR_PARA`：分布式训练学习率。
+- `--Momentum`：动量。
+- `--LOSS_SCALE`：损失放大，避免梯度下溢。
+- `--SAVE_CKPT_PER_N_STEP`：每N步保存模型检查点文件。
+- `--KEEP_CKPT_MAX_NUM`：模型检查点文件保存数量上限。
 
 ## 训练过程
 
 ### 训练
 
 - 单机训练：
-```
+
+```shell
 bash scripts/run_standalone_train_ascend.sh $PRETRAINED_CKPT
 ```
 
@@ -193,22 +207,22 @@ bash scripts/run_standalone_train_ascend.sh $PRETRAINED_CKPT
 `$PRETRAINED_CKPT`为模型检查点的路径，**可选**。如果值为none，模型将从头开始训练。
 
 - 分布式训练：
-```
+
+```shell
 bash scripts/run_distribute_train_ascend.sh $RANK_TABLE_FILE $PRETRAINED_CKPT
 ```
 
-结果和检查点分别写入设备`i`的`./train_parallel_{i}`文件夹。
- 日志可以在`./train_parallel_{i}/log_{i}.log`中找到，损失值记录在`./train_parallel_{i}/loss.log`中。
+结果和检查点分别写入设备`i`的`./train_parallel_{i}`文件夹。  
+日志可以在`./train_parallel_{i}/log_{i}.log`中找到，损失值记录在`./train_parallel_{i}/loss.log`中。
 
-在Ascend上运行分布式任务时需要`$RANK_TABLE_FILE`。 
+在Ascend上运行分布式任务时需要`$RANK_TABLE_FILE`。
 `$PATH_TO_CHECKPOINT`为模型检查点的路径，**可选**。如果值为none，模型将从头开始训练。
 
 ### 训练结果
 
 训练结果保存在示例路径中，文件夹名称以“train”或“train_parallel”开头。您可在此路径下的日志中找到检查点文件以及结果，如下所示。
 
- 
-```
+```python
 # 分布式训练结果（8P）
 epoch: 1 step: 1 , loss is 76.25, average time per step is 0.335177839748392712
 epoch: 1 step: 2 , loss is 73.46875, average time per step is 0.36798572540283203
@@ -235,7 +249,7 @@ epoch: 1 step: 8698 , loss is 9.708542263610315, average time per step is 0.3184
 
 - 评估：
 
-```
+```shell
 bash scripts/run_eval_ascend.sh $TRAINED_CKPT
 ```
 
@@ -260,7 +274,7 @@ bash scripts/run_eval_ascend.sh $TRAINED_CKPT
 | 速度 | 1卡：300毫秒/步；8卡：310毫秒/步 |
 | 总时间 | 1卡：18小时；8卡：2.3小时 |
 | 参数(M) | 177 |
-| 脚本 | https://gitee.com/mindspore/mindspore/tree/master/model_zoo/office/cv/cnnctc |
+| 脚本 | <https://gitee.com/mindspore/mindspore/tree/master/model_zoo/official/cv/cnnctc> |
 
 ### 评估性能
 
@@ -277,13 +291,14 @@ bash scripts/run_eval_ascend.sh $TRAINED_CKPT
 | 推理模型 | 675M（.ckpt文件） |
 
 ## 用法
+
 ### 推理
 
 如果您需要在GPU、Ascend 910、Ascend 310等多个硬件平台上使用训练好的模型进行推理，请参考此[链接](https://www.mindspore.cn/tutory/zh-CN/master/advanced_use/network_migration.html)。以下为简单示例：
 
 - Ascend处理器环境运行
 
-  ```
+  ```python
   # 设置上下文
   context.set_context(mode=context.GRAPH_HOME, device_target=cfg.device_target)
   context.set_context(device_id=cfg.device_id)
@@ -314,7 +329,7 @@ bash scripts/run_eval_ascend.sh $TRAINED_CKPT
 
 - Ascend处理器环境运行
 
-  ```
+  ```python
   # 加载数据集
   dataset = create_dataset(cfg.data_path, 1)
   batch_num = dataset.get_dataset_size()
@@ -349,4 +364,5 @@ bash scripts/run_eval_ascend.sh $TRAINED_CKPT
   ```
 
 # ModelZoo主页
+
  请浏览官网[主页](https://gitee.com/mindspore/mindspore/tree/master/model_zoo)。

model_zoo/official/cv/resnet50_quant/README_CN.md

@@ -1,4 +1,5 @@
 # 目录
+
 <!-- TOC -->
 
 - [目录](#目录)
@@ -6,25 +7,25 @@
     - [模型架构](#模型架构)
     - [数据集](#数据集)
     - [特性](#特性)
-    - [混合精度](#混合精度)
+        - [混合精度](#混合精度)
 - [环境要求](#环境要求)
-    - [脚本说明](#脚本说明)
-    - [脚本和样例代码](#脚本和样例代码)
-        - [脚本参数](#脚本参数)
-    - [训练过程](#训练过程)
-        - [用法](#用法)
-        - [启动](#启动)
-        - [结果](#结果)
-    - [评估过程](#评估过程)
-        - [用法](#用法-1)
-        - [启动](#启动-1)
-        - [结果](#结果-1)
+  - [脚本说明](#脚本说明)
+  - [脚本和样例代码](#脚本和样例代码)
+      - [脚本参数](#脚本参数)
+  - [训练过程](#训练过程)
+    - [用法](#用法)
+    - [启动](#启动)
+    - [结果](#结果)
+  - [评估过程](#评估过程)
+    - [用法](#用法-1)
+    - [启动](#启动-1)
+    - [结果](#结果-1)
 - [模型描述](#模型描述)
-    - [性能](#性能)
-        - [训练性能](#训练性能)
-        - [评估性能](#评估性能)
-    - [随机情况说明](#随机情况说明)
-    - [ModelZoo主页](#modelzoo主页)
+  - [性能](#性能)
+      - [训练性能](#训练性能)
+      - [评估性能](#评估性能)
+  - [随机情况说明](#随机情况说明)
+- [ModelZoo主页](#modelzoo主页)
 
 <!-- /TOC -->
 
@@ -35,6 +36,7 @@ ResNet-50是一个50层的卷积神经网络，可以将ImageNet图像分成1000
 [论文](https://arxiv.org/abs/1512.03385)： Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun."Deep Residual Learning for Image Recognition."： He, Kaiming , et al. "Deep Residual Learning for Image Recognition." IEEE Conference on Computer Vision & Pattern Recognition IEEE Computer Society, 2016.
 
 此为ResNet-50的量化分析网络。
+
 ## 模型架构
 
 ResNet-50总体网络架构如下：
@@ -45,12 +47,12 @@ ResNet-50总体网络架构如下：
 
 使用的数据集：[imagenet](http://www.image-net.org/)
 
--数据集大小：125G，共1000个类、1.2万张彩色图像
-	- 训练集：120G，共1.2万张图像
-	- 测试集：5G，共5万张图像
--数据格式：RGB
-	* 注：数据在src/dataset.py中处理。
+- 数据集大小：125G，共1000个类、1.2万张彩色图像
+    - 训练集：120G，共1.2万张图像
+    - 测试集：5G，共5万张图像
 
+- 数据格式：RGB
+    - 注：数据在src/dataset.py中处理。
 
 ## 特性
 
@@ -62,15 +64,16 @@ ResNet-50总体网络架构如下：
 # 环境要求
 
 - 硬件：昇腾处理器（Ascend）
-  - 使用昇腾处理器来搭建硬件环境。如需试用昇腾处理器，请发送[申请表](https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/file/other/Ascend%20Model%20Zoo%E4%BD%93%E9%AA%8C%E8%B5%84%E6%BA%90%E7%94%B3%E8%AF%B7%E8%A1%A8.docx)至ascend@huawei.com，审核通过即可获得资源。
+    - 使用昇腾处理器来搭建硬件环境。如需试用昇腾处理器，请发送[申请表](https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/file/other/Ascend%20Model%20Zoo%E4%BD%93%E9%AA%8C%E8%B5%84%E6%BA%90%E7%94%B3%E8%AF%B7%E8%A1%A8.docx)至ascend@huawei.com，审核通过即可获得资源。
 
 - 框架
   - [MindSpore](https://www.mindspore.cn/install)
 
--如需查看详情，请参见如下资源：
+- 如需查看详情，请参见如下资源：
+
   - [MindSpore教程](https://www.mindspore.cn/tutorial/training/en/master/index.html)
-  - [MindSpore Python API](https://www.mindspore.cn/doc/api_python/en/master/index.html)
 
+  - [MindSpore Python API](https://www.mindspore.cn/doc/api_python/en/master/index.html)
 
 ## 脚本说明
 
@@ -127,18 +130,19 @@ ResNet-50总体网络架构如下：
 ### 用法
 
 - 晟腾（Ascend）: sh run_train.sh Ascend [RANK_TABLE_FILE] [DATASET_PATH] [PRETRAINED_CKPT_PATH]\（可选）
+
 ### 启动
 
-```
+```python
   # 训练示例
-  Ascend:bash run_train.sh Ascend ~/hccl_4p_0123_x.x.x.json ~/imagenet/train/ 
+  Ascend:bash run_train.sh Ascend ~/hccl_4p_0123_x.x.x.json ~/imagenet/train/  
 ```
 
 ### 结果
 
-训练结果保存在示例路径中。检查点默认保存在`./train/device$i/`，训练日志重定向到`./train/device$i/train.log`，内容如下： 
+训练结果保存在示例路径中。检查点默认保存在`./train/device$i/`，训练日志重定向到`./train/device$i/train.log`，内容如下：
 
-```
+```python
 epoch: 1 step: 5004, loss is 4.8995576
 epoch: 2 step: 5004, loss is 3.9235563
 epoch: 3 step: 5004, loss is 3.833077
@@ -156,7 +160,7 @@ epoch: 5 step: 5004, loss is 3.1978393
 
 ### 启动
 
-```
+```shell
 # 推理示例
   shell:
       Ascend: sh run_infer.sh Ascend ~/imagenet/val/ ~/train/Resnet50-30_5004.ckpt
@@ -168,7 +172,7 @@ epoch: 5 step: 5004, loss is 3.1978393
 
 推理结果保存在示例路径中，可以在`./eval/infer.log`中找到如下结果：
 
-```
+```python
 result:{'acc'：0.76576314102564111}
 ```
 
@@ -193,8 +197,8 @@ result:{'acc'：0.76576314102564111}
 | 准确率 |
 | 总时长 | 16h |
 | 参数(M) | batch_size=32, epoch=30 |
-| 微调检查点 | 
-| 推理模型 | 
+| 微调检查点 |
+| 推理模型 |
 
 ### 评估性能
 
@@ -214,9 +218,8 @@ result:{'acc'：0.76576314102564111}
 
 ## 随机情况说明
 
-[dataset.py](http://dataset.py/)中设置了“create_dataset”函数内的种子，同时还使用了train.py中的随机种子
+dataset.py中设置了“create_dataset”函数内的种子，同时还使用了train.py中的随机种子。
 
 ## ModelZoo主页
 
 请浏览官网[主页](https://gitee.com/mindspore/mindspore/tree/master/model_zoo)。
-