!3 Correct spelling errors

Merge pull request !3 from leiyuning/fix_spell

docs/source_en/glossary.md

@@ -18,6 +18,7 @@
 |  EulerOS  |  Euler operating system, which is developed by Huawei based on the standard Linux kernel.  |
 |  FC Layer  |  Fully connected layer, which acts as a classifier in the entire convolutional neural network.  |
 |  FE  |  Fusion Engine, which connects to GE and TBE operators and has the capabilities of loading and managing the operator information library and managing convergence rules.  |
+|  Fine-tuning |  A process to take a network model that has already been trained for a given task, and make it perform a second similar task.  |
 |  FP16  |  16-bit floating point, which is a half-precision floating point arithmetic format, consuming less memory.  |
 |  FP32  |  32-bit floating point, which is a single-precision floating point arithmetic format.  |
 |  GE  |  Graph Engine, MindSpore computational graph execution engine, which is responsible for optimizing hardware (such as operator fusion and memory overcommitment) based on the front-end computational graph and starting tasks on the device side.  |

docs/source_zh_cn/glossary.md

@@ -18,6 +18,7 @@
 |  EulerOS  |  欧拉操作系统，华为自研的基于Linux标准内核的操作系统。  |
 |  FC Layer  |  Fully Conneted Layer，全连接层。整个卷积神经网络中起到分类器的作用。  |
 |  FE  |  Fusion Engine，负责对接GE和TBE算子，具备算子信息库的加载与管理、融合规则管理等能力。  |
+|  Fine-tuning |  基于面向某任务训练的网络模型，训练面向第二个类似任务的网络模型。  |
 |  FP16  |  16位浮点，半精度浮点算术，消耗更小内存。  |
 |  FP32  |  32位浮点，单精度浮点算术。  |
 |  GE  |  Graph Engine，MindSpore计算图执行引擎，主要负责根据前端的计算图完成硬件相关的优化（算子融合、内存复用等等）、device侧任务启动。  |

tutorials/source_zh_cn/quick_start/quick_start.md

@@ -317,7 +317,7 @@ if __name__ == "__main__":
 ### 配置模型保存
 
 MindSpore提供了callback机制，可以在训练过程中执行自定义逻辑，这里使用框架提供的`ModelCheckpoint`和`LossMonitor`为例。
-`ModelCheckpoint`可以保存网络模型和参数，以便进行后续的微调（fune-tune）操作，`LossMonitor`可以监控训练过程中`loss`值的变化。
+`ModelCheckpoint`可以保存网络模型和参数，以便进行后续的fine-tuning（微调）操作，`LossMonitor`可以监控训练过程中`loss`值的变化。
 
 ```python
 from mindspore.train.callback import ModelCheckpoint, CheckpointConfig

tutorials/source_zh_cn/use/saving_and_loading_model_parameters.md

@@ -23,7 +23,7 @@
     - 训练过程中，通过实时验证精度，把精度最高的模型参数保存下来，用于预测操作。
 - 再训练场景
     - 进行长时间训练任务时，保存训练过程中的CheckPoint文件，防止任务异常退出后从初始状态开始训练。
-    - Fine Tune(微调)：训练一个模型并保存参数，然后针对不同任务进行Fine Tune操作。
+    - Fine-tuning（微调）场景，即训练一个模型并保存参数，基于该模型，面向第二个类似任务进行模型训练。
 
 MindSpore的CheckPoint文件是一个二进制文件，存储了所有训练参数的值。采用了Google的Protocol Buffers机制，与开发语言、平台无关，具有良好的可扩展性。
 CheckPoint的protocol格式定义在`mindspore/ccsrc/utils/checkpoint.proto`中。
@@ -117,7 +117,7 @@ acc = model.eval(dataset_eval)
 
 ### 用于再训练场景
 
-针对任务中断再训练及Fine Tune场景，可以加载网络参数和优化器参数到模型中。
+针对任务中断再训练及fine-tuning场景，可以加载网络参数和优化器参数到模型中。
 
 示例代码如下：
 ```python