update multi platform inference

tutorials/source_en/use/multi_platform_inference.md

@@ -8,7 +8,7 @@
 
 <!-- /TOC -->
 
-<a href="https://gitee.com/mindspore/docs/blob/master/tutorials/source_en/advanced_use/multi_platform_inference.md" target="_blank"><img src="../_static/logo_source.png"></a>
+<a href="https://gitee.com/mindspore/docs/blob/master/tutorials/source_en/use/multi_platform_inference.md" target="_blank"><img src="../_static/logo_source.png"></a>
 
 ## Overview
 

tutorials/source_zh_cn/use/multi_platform_inference.md

@@ -31,20 +31,22 @@
 
 MindSpore支持的推理场景，按照硬件平台维度可以分为下面几种：
 
-硬件平台 | 推理文件 | 说明
+硬件平台 | 模型文件格式 | 说明
 --|--|--
-Ascend 910 AI处理器 | checkpoint格式文件 | 与MindSpore训练环境依赖一致
-Ascend 310 AI处理器 | ONNX、GEIR格式文件 | 搭载了ACL框架，需要转化为OM格式模型。
-GPU | checkpoint格式文件 | 与MindSpore训练环境依赖一致。
-GPU | ONNX格式文件 | 支持ONNX推理的runtime/SDK，如TensorRT。
-CPU | checkpoint文件 | 与MindSpore训练环境依赖一致。
-CPU | ONNX格式文件 | 支持ONNX推理的runtime/SDK，如TensorRT。
+Ascend 910 AI处理器 | checkpoint格式 | 与MindSpore训练环境依赖一致
+Ascend 310 AI处理器 | ONNX、GEIR格式 | 搭载了ACL框架，支持OM格式模型，需要使用工具转化模型为OM格式模型。
+GPU | checkpoint格式 | 与MindSpore训练环境依赖一致。
+GPU | ONNX格式 | 支持ONNX推理的runtime/SDK，如TensorRT。
+CPU | checkpoint格式 | 与MindSpore训练环境依赖一致。
+CPU | ONNX格式 | 支持ONNX推理的runtime/SDK，如TensorRT。
 
-> ONNX，全称Open Neural Network Exchange，是一种针对机器学习所设计的开放式的文件格式，用于存储训练好的模型。它使得不同的人工智能框架（如Pytorch, MXNet）可以采用相同格式存储模型数据并交互。详细了解，请参见ONNX官网<https://onnx.ai/>。
+> ONNX，全称Open Neural Network Exchange，是一种针对机器学习所设计的开放式的文件格式，用于存储训练好的模型。它使得不同的人工智能框架（如PyTorch, MXNet）可以采用相同格式存储模型数据并交互。详细了解，请参见ONNX官网<https://onnx.ai/>。
 
 > GEIR，全称Graph Engine Intermediate Representation，类似ONNX，是华为定义的针对机器学习所设计的开放式的文件格式，能更好地适配Ascend AI处理器。
 
-> ACL，全称Ascend Computer Language，提供Device管理、Context管理、Stream管理、内存管理、模型加载与执行、算子加载与执行、媒体数据处理等C++ API库，供用户开发深度神经网络应用。他匹配Ascend AI处理器，使能硬件的运行管理、资源管理能力。
+> ACL，全称Ascend Computer Language，提供Device管理、Context管理、Stream管理、内存管理、模型加载与执行、算子加载与执行、媒体数据处理等C++ API库，供用户开发深度神经网络应用。它匹配Ascend AI处理器，使能硬件的运行管理、资源管理能力。
+
+> OM，全称Offline Model，华为Ascend AI处理器支持的离线模型，实现算子调度的优化，权值数据重排、压缩，内存使用优化等可以脱离设备完成的预处理功能。
 
 > TensorRT，NVIDIA 推出的高性能深度学习推理的SDK，包括深度推理优化器和runtime，提高深度学习模型在边缘设备上的推断速度。详细请参见<https://developer.nvidia.com/tensorrt>。
 
@@ -52,7 +54,7 @@ CPU | ONNX格式文件 | 支持ONNX推理的runtime/SDK，如TensorRT。
 
 ### 使用checkpoint格式文件推理
 
-1. 使用`model.eval`接口来进行模型验证，你只需传入验证数据集即可，验证数据集的处理方式与训练数据集相同。   
+1. 使用`model.eval`接口来进行模型验证，你只需传入验证数据集即可，验证数据集的处理方式与训练数据集相同。
     ```python
     res = model.eval(dataset)
     ```
@@ -65,21 +67,21 @@ CPU | ONNX格式文件 | 支持ONNX推理的runtime/SDK，如TensorRT。
    model.predict(input_data)
    ```
    其中，  
-   `model.eval`为推理接口，对应接口说明：<https://www.mindspore.cn/api/zh-CN/master/api/python/mindspore/mindspore.html#mindspore.Model.predict>
+   `model.eval`为推理接口，对应接口说明：<https://www.mindspore.cn/api/zh-CN/master/api/python/mindspore/mindspore.html#mindspore.Model.predict>。
 
 ## Ascend 310 AI处理器上推理
 
 ### 使用checkpoint格式文件推理
-与在AscendAscend 910 AI处理器上推理一样。
+与在Ascend 910 AI处理器上推理一样。
 
 
 ### 使用ONNX与GEIR格式文件推理
 
-Ascend 310 AI处理器上搭载了ACL框架，他支持om格式，而om格式需要从ONNX或者GEIR模型进行转换。所以需要在Ascend 310 AI处理器上推理，需要下述两个步骤：
+Ascend 310 AI处理器上搭载了ACL框架，他支持OM格式，而OM格式需要从ONNX或者GEIR模型进行转换。所以在Ascend 310 AI处理器上推理，需要下述两个步骤：
 
 1. 在训练平台上生成ONNX或GEIR格式模型，具体步骤请参考[模型导出-导出GEIR模型和ONNX模型](https://www.mindspore.cn/tutorial/zh-CN/master/use/saving_and_loading_model_parameters.html#geironnx)。
 
-2. 将ONNX/GEIR格式模型文件，转化为om模型，并进行推理。
+2. 将ONNX/GEIR格式模型文件，转化为OM格式模型，并进行推理。
    - 云上（ModelArt环境），请参考[Ascend910训练和Ascend310推理的样例](https://support.huaweicloud.com/bestpractice-modelarts/modelarts_10_0026.html)完成推理操作。
    - 本地的裸机环境（对比云上环境，即本地有Ascend 310 AI 处理器），请参考Ascend 310 AI处理器配套软件包的说明文档。
 
@@ -98,7 +100,7 @@ Ascend 310 AI处理器上搭载了ACL框架，他支持om格式，而om格式需
 ## CPU上推理
 
 ### 使用checkpoint格式文件推理
-与在AscendAscend 910 AI处理器上推理一样。
+与在Ascend 910 AI处理器上推理一样。
 
 ### 使用ONNX格式文件推理
 与在GPU上进行推理类似，需要以下几个步骤：