diff --git a/tutorials/source_en/use/multi_platform_inference.md b/tutorials/source_en/use/multi_platform_inference.md
index 7c42a3fe0ba204812bffdd26441a5efbfe705186..230af0e3e0cdd929127e1f1bab2b8f7b9b080701 100644
--- a/tutorials/source_en/use/multi_platform_inference.md
+++ b/tutorials/source_en/use/multi_platform_inference.md
@@ -8,7 +8,7 @@
-
+
## Overview
diff --git a/tutorials/source_zh_cn/use/multi_platform_inference.md b/tutorials/source_zh_cn/use/multi_platform_inference.md
index ee5840e66a401eb54e1f502b56252d5356ea6e4c..3d2bb3fb10cb68f63dc43af2084ed4d5940870cc 100644
--- a/tutorials/source_zh_cn/use/multi_platform_inference.md
+++ b/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。
+> 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。
> 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。
@@ -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:
+ `model.eval`为推理接口,对应接口说明:。
## 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: