Fix some software md rendering errors (#1078)

* Fix some software rendering errors
Co-authored-by: Ncmdbug <cmdbug@users.noreply.github.com>

README.md

@@ -49,9 +49,9 @@ Tengine 核心代码由 4 个模块组成：
 
 ### 转换工具
 
-- [预编译版本](https://github.com/OAID/Tengine/releases/download/lite-v1.2/convert_tool.zip)：提供 Ubuntu 18.04 系统上预编译好的模型转换工具；
-- [在线转换版本](https://convertmodel.com/#outputFormat=tengine)：基于 WebAssembly 实现（浏览器本地转换，模型不会上传）；
-- [源码编译](https://github.com/OAID/Tengine-Convert-Tools)：参考 **Tengine-Convert-Tools** 项目编译生成，建议采用。
+- [预编译版本](https://github.com/OAID/Tengine/releases/download/lite-v1.2/convert_tool.zip) ：提供 Ubuntu 18.04 系统上预编译好的模型转换工具；
+- [在线转换版本](https://convertmodel.com/#outputFormat=tengine) ：基于 WebAssembly 实现（浏览器本地转换，模型不会上传）；
+- [源码编译](https://github.com/OAID/Tengine-Convert-Tools) ：参考 **Tengine-Convert-Tools** 项目编译生成，建议采用。
 
 ### 量化工具
 

doc/SuperEdge_Tengine_User_Manual_CN.md

@@ -4,7 +4,7 @@
 
 ​		案例基于开源AI推理框架Tengine 实现容器调用边缘硬件NPU资源，完成高效物体检测的推理任务，并通过开源边缘容器方案 SuperEdge 轻松将应用调度到边缘计算节点，实现一条指令部署边缘计算跨平台AI应用案例。
 
-​		[Tengine](https://github.com/OAID/Tengine "Tengine")由[OPEN AI LAB](http://www.openailab.com/)主导开发，该项目实现了深度学习神经网络模型在嵌入式设备上的**快速**、**高效**部署需求。为实现在众多**AIoT**应用中的跨平台部署，本项目使用**C语言**进行核心模块开发，针对嵌入式设备资源有限的特点进行了深度框架裁剪。同时采用了完全分离的前后端设计，有利于 CPU、GPU、NPU 等异构计算单元的快速移植和部署，降低评估、迁移成本。
+​		[Tengine](https://github.com/OAID/Tengine "Tengine") 由 [OPEN AI LAB](http://www.openailab.com/) 主导开发，该项目实现了深度学习神经网络模型在嵌入式设备上的**快速**、**高效**部署需求。为实现在众多**AIoT**应用中的跨平台部署，本项目使用**C语言**进行核心模块开发，针对嵌入式设备资源有限的特点进行了深度框架裁剪。同时采用了完全分离的前后端设计，有利于 CPU、GPU、NPU 等异构计算单元的快速移植和部署，降低评估、迁移成本。
 
 ​		[SuperEdge](https://github.com/superedge/superedge "SuperEdge") 是基于原生 Kubernetes 的**边缘容器**管理系统。该系统把云原生能力扩展到**边缘侧**，很好的实现了云端对边缘端的**管理**和控制，极大**简化**了应用从云端部署到边缘端的过程。SuperEdge 为应用实现**边缘原生化**提供了**强有力**的支持。
 

doc/compile.md

@@ -177,7 +177,7 @@ make install
 
 ### 5.1 安装 DevEco Studio 和 OHOS NDK
 
-下载安装 DevEco Studio，[传送门](https://developer.harmonyos.com/cn/develop/deveco-studio#download)。若没有华为开发者账号，需到[HarmonysOS应用开发门户](https://developer.harmonyos.com/cn/home)注册。
+下载安装 DevEco Studio，[传送门](https://developer.harmonyos.com/cn/develop/deveco-studio#download) 。若没有华为开发者账号，需到[HarmonysOS应用开发门户](https://developer.harmonyos.com/cn/home) 注册。
 
 打开 DevEco Studio，Configure（或File）-> Settings -> Appearance & Behavior -> System Settings -> HarmonyOS SDK，勾选并下载 Native，完成 OHOS NDK 下载。
 

doc/dla_opendla_user_manual_zh.md

@@ -2,7 +2,7 @@
 
 ## 1. 简介
 
-opendla是基于英伟达开源的加速器NVDLA，之所以后端的名称叫opendla是因为英伟达官方的仓库已经停止维护两年了，而显然NVDLA还有许多可以改进的空间，改进之后的加速器需要和原来的NVDLA作区分，索性就直接叫opendla了，暂时在[ZYNQ-NVDLA](https://github.com/LeiWang1999/ZYNQ-NVDLA)这个仓库维护。
+opendla是基于英伟达开源的加速器NVDLA，之所以后端的名称叫opendla是因为英伟达官方的仓库已经停止维护两年了，而显然NVDLA还有许多可以改进的空间，改进之后的加速器需要和原来的NVDLA作区分，索性就直接叫opendla了，暂时在 [ZYNQ-NVDLA](https://github.com/LeiWang1999/ZYNQ-NVDLA) 这个仓库维护。
 
 现在的后端，只对接了 NVDLA 的 small 配置，有如下特点：
 
@@ -16,7 +16,7 @@ opendla是基于英伟达开源的加速器NVDLA，之所以后端的名称叫op
 ## 2. 如何编译
 ### 2.1 依赖项
 依赖项有三部分：
-> 第一部分是 芯片对应的 opendla.ko 程序，在[这篇文章](https://zhuanlan.zhihu.com/p/378202360)里有介绍如何编译，目前[仓库](https://github.com/LeiWang1999/ZYNQ-NVDLA)里放置的版本是针对Linux 4.13内核的，如果是别的内核版本需要更改一些函数；
+> 第一部分是 芯片对应的 opendla.ko 程序，在 [这篇文章](https://zhuanlan.zhihu.com/p/378202360) 里有介绍如何编译，目前 [仓库](https://github.com/LeiWang1999/ZYNQ-NVDLA) 里放置的版本是针对Linux 4.13内核的，如果是别的内核版本需要更改一些函数；
 > 第二部分是 NVDLA 的依赖库，包括libjpeg与libprotobuf，如果是aarch64架构可以直接使用预编译好的文件。
 > 第三部分是 NVDLA 原来支持的 Compiler 和 Runtime，需要编译出链接库放到lib目录下，如果是aarch64架构可以直接使用预编译好的文件。
 
@@ -26,7 +26,7 @@ opendla是基于英伟达开源的加速器NVDLA，之所以后端的名称叫op
 为了编译Tengine的opendla后端支持代码，首先需要编译 libcompiler.so 与 libruntime.so，而 libcompiler 依赖 libprotobuf (版本为2.6.1)，libruntime 依赖 libjpeg (版本为libjpeg6b)。
 
 ### 2.3 拉取代码
-首先，**这里演示的整个编译的过程都在开发板卡上运行**，否则需要交叉编译；例子都是以root的身份来运行的；如何使用开发板连网可以参考[这篇文章](https://zhuanlan.zhihu.com/p/378814739)。
+首先，**这里演示的整个编译的过程都在开发板卡上运行**，否则需要交叉编译；例子都是以root的身份来运行的；如何使用开发板连网可以参考 [这篇文章](https://zhuanlan.zhihu.com/p/378814739) 。
 
 #### 2.3.1 拉取 ZYNQ-NVDLA
 
@@ -44,7 +44,7 @@ Tengine-Lite 目前只支持一种 opendla 的集成编译方法，即编译open
 
 其他的方案，例如在Tengine编译的过程中连同opendla的编译器和运行时的源代码一起编译，由于代码肯定是要重构的，所以现在还不支持。
 
-这里不将内核驱动程序`opendla.ko`是如何编译的，如何在Petalinux里编译看这篇[文章](https://zhuanlan.zhihu.com/p/378202360)。
+这里不将内核驱动程序`opendla.ko`是如何编译的，如何在Petalinux里编译看这篇 [文章](https://zhuanlan.zhihu.com/p/378202360) 。
 
 如果是 aarch64 的架构，可以直接使用 [prebuilt](https://github.com/LeiWang1999/ZYNQ-NVDLA/tree/master/prebuilt/lib/aarch64-ubuntu) 的lib。
 

doc/docs_en/source_compile/compile_android.md

@@ -6,7 +6,7 @@
 
 ## Prepare Android Toolchain Files
 
-(optional) delete debug compilation parameters to reduce the binary volume [android-ndk issue](https://github.com/android-ndk/ndk/issues/243)，The file android.toolchain.cmake can be found from $ANDROID_NDK/build/cmake:
+(optional) delete debug compilation parameters to reduce the binary volume [android-ndk issue](https://github.com/android-ndk/ndk/issues/243) ，The file android.toolchain.cmake can be found from $ANDROID_NDK/build/cmake:
 
 ```cmake
 # vi $ANDROID_NDK/build/cmake/android.toolchain.cmake

doc/docs_en/source_compile/compile_timvx.md

@@ -4,7 +4,7 @@
 
 [TIM-VX](https://github.com/VeriSilicon/TIM-VX.git) is a software integration module provided by VeriSilicon to facilitate deployment of Neural-Networks on OpenVX enabled ML accelerators.
 
-Tengine Lite has supported to integrate with TIM-VX Library of Verisilicon to inference CNN by [Khadas VIM3](https://www.khadas.cn/product-page/vim3)(Amlogic A311D).
+Tengine Lite has supported to integrate with TIM-VX Library of Verisilicon to inference CNN by [Khadas VIM3](https://www.khadas.cn/product-page/vim3) (Amlogic A311D).
 
 ## 2. How to Build
 
@@ -117,4 +117,4 @@ $ cd <tengine-lite-root-dir>
 $ mkdir build && cd build
 $ cmake -DTENGINE_ENABLE_TIM_VX=ON ..
 $ make -j4
-```
\ No newline at end of file
+```

doc/docs_en/user_guides/quant_tool_int8.md

@@ -19,7 +19,7 @@ To support the deployment of int8 model on AIoT devices, we provide some general
 
 ## Download
 
-At present, we provide precompiled executable files, which can be obtained from here [quant_tool_int8](https://github.com/OAID/Tengine/releases/download/lite-v1.3/quant_tool_int8)。
+At present, we provide precompiled executable files, which can be obtained from here [quant_tool_int8](https://github.com/OAID/Tengine/releases/download/lite-v1.3/quant_tool_int8)
 
 ## Install Dependent Libraries
 

doc/docs_zh/quick_start/cpp_demo.md

@@ -32,7 +32,7 @@ tengine_lite_lib.cxx.armv8           Tengine 预测库
 
 ## 3. 准备预测部署模型
 
-(1) 模型下载：下载mobilenet_v1(<font size=4 color=orange>待补充</font>)模型后解压，可得到.tmfile后缀的模型文件。可通过模型可视化工具[Netron](https://lutzroeder.github.io/netron/)打开文件夹下的model文件，查看模型结构。
+(1) 模型下载：下载mobilenet_v1(<font size=4 color=orange>待补充</font>)模型后解压，可得到.tmfile后缀的模型文件。可通过模型可视化工具 [Netron](https://lutzroeder.github.io/netron/) 打开文件夹下的model文件，查看模型结构。
 
 ## 4. 编译预测示例程序
 
@@ -57,4 +57,4 @@ ALL TEST DONE
 ```
 
 可以看出，我们已经成功的分类出测试图片是虎猫了。
-到这里最基本的上手指北已经完成，剩下的小伙伴们可以自行探索，我们也会不定期更新各种教程范例给大家~
\ No newline at end of file
+到这里最基本的上手指北已经完成，剩下的小伙伴们可以自行探索，我们也会不定期更新各种教程范例给大家~

doc/docs_zh/source_compile/compile_android.md

@@ -6,7 +6,7 @@
 
 ## 准备 android toolchain 文件
 
-(可选) 删除debug编译参数，缩小二进制体积 [android-ndk issue](https://github.com/android-ndk/ndk/issues/243)，android.toolchain.cmake 这个文件可以从 $ANDROID_NDK/build/cmake 找到：
+(可选) 删除debug编译参数，缩小二进制体积 [android-ndk issue](https://github.com/android-ndk/ndk/issues/243) ，android.toolchain.cmake 这个文件可以从 $ANDROID_NDK/build/cmake 找到：
 
 ```cmake
 # 用编辑器打开 $ANDROID_NDK/build/cmake/android.toolchain.cmake

doc/docs_zh/source_compile/compile_timvx.md

@@ -4,13 +4,13 @@
 
 [TIM-VX](https://github.com/VeriSilicon/TIM-VX.git) 的全称是 Tensor Interface Module for OpenVX，是 VeriSilicon 提供的用于在支持 OpenVX 的其自研 ML 加速器 IP 上实现深度学习神经网络模型部署。它可以做为 Android NN、TensorFlow-Lite、MLIR、TVM、Tengine 等 Runtime Inference Framework 的 Backend 模块。
 
-Tengine 基于 [Khadas VIM3](https://www.khadas.cn/product-page/vim3)(Amlogic A311D)单板计算机，完成了 TIM-VX 的集成，充分发挥出其内置 NPU **高性能**和 Tengine 异构计算自动切图的**易用性**。
+Tengine 基于 [Khadas VIM3](https://www.khadas.cn/product-page/vim3) (Amlogic A311D)单板计算机，完成了 TIM-VX 的集成，充分发挥出其内置 NPU **高性能**和 Tengine 异构计算自动切图的**易用性**。
 目前支持的芯片平台有：
 
-- [Amlogic](https://www.amlogic.com) 的 [A311D](https://www.amlogic.com/#Products/393/index.html)/[S905D3](https://www.amlogic.com/#Products/392/index.html)，[C305X](https://www.amlogic.com/#Products/412/index.html)/[C308X](https://www.amlogic.com/#Products/409/index.html)；
-- [Rockchip](https://www.rock-chips.com) 的 [RV1109](https://www.rock-chips.com/a/cn/product/RV11xilie/2020/0427/1073.html)/[RV1126](https://www.rock-chips.com/a/cn/product/RV11xilie/2020/0427/1075.html)；
-- [NXP](https://www.nxp.com/) 的 [i.MX 8M Plus](https://www.nxp.com/products/processors-and-microcontrollers/arm-processors/i-mx-applications-processors/i-mx-8-processors/i-mx-8m-plus-arm-cortex-a53-machine-learning-vision-multimedia-and-industrial-iot:IMX8MPLUS)；
-- [瓴盛科技(JLQ)](https://www.jlq.com) 的 [JA308](https://www.jlq.com/images/products/ja310/ja308.pdf)/[JA310](https://www.jlq.com/images/products/ja310/ja310.pdf)/[JA312](https://www.jlq.com/images/products/ja310/ja312.pdf);
+- [Amlogic](https://www.amlogic.com) 的 [A311D](https://www.amlogic.com/#Products/393/index.html) / [S905D3](https://www.amlogic.com/#Products/392/index.html) ，[C305X](https://www.amlogic.com/#Products/412/index.html) / [C308X](https://www.amlogic.com/#Products/409/index.html) ；
+- [Rockchip](https://www.rock-chips.com) 的 [RV1109](https://www.rock-chips.com/a/cn/product/RV11xilie/2020/0427/1073.html) / [RV1126](https://www.rock-chips.com/a/cn/product/RV11xilie/2020/0427/1075.html) ；
+- [NXP](https://www.nxp.com/) 的 [i.MX 8M Plus](https://www.nxp.com/products/processors-and-microcontrollers/arm-processors/i-mx-applications-processors/i-mx-8-processors/i-mx-8m-plus-arm-cortex-a53-machine-learning-vision-multimedia-and-industrial-iot:IMX8MPLUS) ；
+- [瓴盛科技(JLQ)](https://www.jlq.com) 的 [JA308](https://www.jlq.com/images/products/ja310/ja308.pdf) / [JA310](https://www.jlq.com/images/products/ja310/ja310.pdf) / [JA312](https://www.jlq.com/images/products/ja310/ja312.pdf) ;
 
 ## 准备工作
 
@@ -342,4 +342,4 @@ vi /vendor/etc/public.libraries.txt   # 编辑许可文件
 * 不同版本的 TIM-VX 和 Tengine 对 OP 支持的情况有一定区别，请尽可能拉取最新代码进行测试评估。
 * 如果已有 OP 没有满足您的应用需求，可以分别在 TIM-VX 和 Tengine 的 issue 里创建一个新的 issue 要求支持；紧急或商业需求可以加入 QQ 群联系管理员申请商业支持。
 * Tengine 和 OPEN AI LAB 对文档涉及的板卡和芯片不做单独的保证，诸如芯片或板卡工作温度、系统定制、配置细节、价格等请与各自芯片或板卡供应商协商。
-* 如果贵司有板卡想要合作，可以加入 OPEN AI LAB 的 QQ 群联系管理员进一步沟通。
\ No newline at end of file
+* 如果贵司有板卡想要合作，可以加入 OPEN AI LAB 的 QQ 群联系管理员进一步沟通。

doc/docs_zh/user_guides/convert_tool.md

@@ -27,7 +27,7 @@ mkdir build && cd build
 cmake ..
 make -j`nproc` && make install
 ```
-编译完成后，生成的可行性文件 `tm_convert_tool` 存放在 `./build/install/bin/` 目录下。
+编译完成后，生成的可执行文件 `tm_convert_tool` 存放在 `./build/install/bin/` 目录下。
 
 ## 执行模型转换
 

doc/docs_zh/user_guides/quant_tool_int8.md

@@ -19,7 +19,7 @@
 
 ## 下载
 
-当前我们提供预编译好的可执行文件, 您可以从这里获取 [quant_tool_int8](https://github.com/OAID/Tengine/releases/download/lite-v1.3/quant_tool_int8)。
+当前我们提供预编译好的可执行文件, 您可以从这里获取 [quant_tool_int8](https://github.com/OAID/Tengine/releases/download/lite-v1.3/quant_tool_int8)
 
 ## 安装依赖库
 

doc/faq.md

@@ -10,7 +10,7 @@
 
 ### 支持算子
 
-请参考 [Tengine Support Operators List ](https://github.com/OAID/Tengine/wiki/Tengine-Support-Operators-List)。
+请参考 [Tengine Support Operators List ](https://github.com/OAID/Tengine/wiki/Tengine-Support-Operators-List)
 
 ## 如何获取模型中间结果？
 

doc/npu_tim-vx_user_manual_zh.md

@@ -3,12 +3,12 @@
 ## 1. 简介
 
 [TIM-VX](https://github.com/VeriSilicon/TIM-VX) 是 [VeriSilicon](https://www.verisilicon.com) 的 [OpenVX](https://www.khronos.org/openvx/) 张量接口模块(Tensor Interface Module for OpenVX，可以视作 OpenVX 的扩展支持)。
-[Tengine Lite](https://github.com/OAID/Tengine) 已经完成 TIM-VX 的支持和集成， 在典型的 [VeriSilicon Vivante NPU](https://www.verisilicon.com/en/IPPortfolio/VivanteNPUIP) 硬件设备上，比如 [Khadas VIM3](https://www.khadas.com/vim3)(Amlogic A311D)、[Khadas VIM3L](https://www.khadas.com/vim3l) 上已经可以完成 Tengine 模型的推理。
+[Tengine Lite](https://github.com/OAID/Tengine) 已经完成 TIM-VX 的支持和集成， 在典型的 [VeriSilicon Vivante NPU](https://www.verisilicon.com/en/IPPortfolio/VivanteNPUIP) 硬件设备上，比如 [Khadas VIM3](https://www.khadas.com/vim3) (Amlogic A311D)、[Khadas VIM3L](https://www.khadas.com/vim3l) 上已经可以完成 Tengine 模型的推理。
 目前支持的芯片平台有：
-- [Amlogic](https://www.amlogic.com) 的 [A311D](https://www.amlogic.com/#Products/393/index.html)/[S905D3](https://www.amlogic.com/#Products/392/index.html)，[C305X](https://www.amlogic.com/#Products/412/index.html)/[C308X](https://www.amlogic.com/#Products/409/index.html)；
-- [Rockchip](https://www.rock-chips.com) 的 [RV1109](https://www.rock-chips.com/a/cn/product/RV11xilie/2020/0427/1073.html)/[RV1126](https://www.rock-chips.com/a/cn/product/RV11xilie/2020/0427/1075.html)；
-- [NXP](https://www.nxp.com/) 的 [i.MX 8M Plus](https://www.nxp.com/products/processors-and-microcontrollers/arm-processors/i-mx-applications-processors/i-mx-8-processors/i-mx-8m-plus-arm-cortex-a53-machine-learning-vision-multimedia-and-industrial-iot:IMX8MPLUS)；
-- [瓴盛科技(JLQ)](https://www.jlq.com) 的 [JA308](https://www.jlq.com/images/products/ja310/ja308.pdf)/[JA310](https://www.jlq.com/images/products/ja310/ja310.pdf)/[JA312](https://www.jlq.com/images/products/ja310/ja312.pdf);
+- [Amlogic](https://www.amlogic.com) 的 [A311D](https://www.amlogic.com/#Products/393/index.html) / [S905D3](https://www.amlogic.com/#Products/392/index.html) ，[C305X](https://www.amlogic.com/#Products/412/index.html) / [C308X](https://www.amlogic.com/#Products/409/index.html) ；
+- [Rockchip](https://www.rock-chips.com) 的 [RV1109](https://www.rock-chips.com/a/cn/product/RV11xilie/2020/0427/1073.html) / [RV1126](https://www.rock-chips.com/a/cn/product/RV11xilie/2020/0427/1075.html) ；
+- [NXP](https://www.nxp.com/) 的 [i.MX 8M Plus](https://www.nxp.com/products/processors-and-microcontrollers/arm-processors/i-mx-applications-processors/i-mx-8-processors/i-mx-8m-plus-arm-cortex-a53-machine-learning-vision-multimedia-and-industrial-iot:IMX8MPLUS) ；
+- [瓴盛科技(JLQ)](https://www.jlq.com) 的 [JA308](https://www.jlq.com/images/products/ja310/ja308.pdf) / [JA310](https://www.jlq.com/images/products/ja310/ja310.pdf) / [JA312](https://www.jlq.com/images/products/ja310/ja312.pdf) ;
 
 ## 2. 如何编译
 ### 2.1 依赖项