fix comments

doc/fluid/user_guides/howto/inference/paddle_tensorrt_infer.md

-# Paddle inference with TensorRT
+# 使用Paddle TensorRT预测
 
-NVIDIA TensorRT 是一个高性能的深度学习预测库，可为深度学习推理应用程序提供低延迟和高吞吐量。Paddle 1.0 采用了子图的形式对TensorRT进行了初步集成，即我们可以使用该模块来提升Paddle模型的预测性能。该模块依旧在持续开发中，目前已支持的模型有： AlexNet, MobileNet, ResNet50, VGG19, ResNext, MobileNet-SSD等。在这篇文档中，我们将会对Paddle-TensorRT库的获取，使用，以及原理进行相关介绍。
+NVIDIA TensorRT 是一个高性能的深度学习预测库，可为深度学习推理应用程序提供低延迟和高吞吐量。Paddle 1.0 采用了子图的形式对TensorRT进行了初步集成，即我们可以使用该模块来提升Paddle模型的预测性能。该模块依旧在持续开发中，目前已支持的模型有：AlexNet, MobileNet, ResNet50, VGG19, ResNext, MobileNet-SSD等。在这篇文档中，我们将会对Paddle-TensorRT库的获取、使用和原理进行介绍。
 
 
 ## 获取Paddle预测库
@@ -8,22 +8,24 @@ NVIDIA TensorRT 是一个高性能的深度学习预测库，可为深度学习
 **一：使用Docker编译预测库**         
 
 1. 下载Paddle  
-```
-git clone https://github.com/PaddlePaddle/Paddle.git
-```
  
+	```
+	git clone https://github.com/PaddlePaddle/Paddle.git
+	```
 2. 获取docker镜像
-```
-nvidia-docker run --name paddle_trt -v $PWD/Paddle:/Paddle -it registry.baidu.com/paddlepaddle/paddle:latest-dev /bin/bash
-```
+  
+	```
+	nvidia-docker run --name paddle_trt -v $PWD/Paddle:/Paddle -it hub.baidubce.com/paddlepaddle/paddle:latest-dev /bin/bash
+	```
+ 
 3. 编译Paddle TensorRT       
 
-```shell
-# 在docker容器中执行以下操作
-cd /Paddle
-mkdir build
-cd build
-cmake .. \
+	```
+	# 在docker容器中执行以下操作
+	cd /Paddle
+	mkdir build
+	cd build
+	cmake .. \
 	      -DWITH_FLUID_ONLY=ON \
 	      -DWITH_CONTRIB=OFF \
 	      -DWITH_MKL=OFF \
@@ -32,11 +34,11 @@ cmake .. \
 	      -DCMAKE_BUILD_TYPE=Release \
 	      -DWITH_PYTHON=OFF
 	
-# 编译    
-make -j 10
-# 生成预测库
-make inference_lib_dist -j
-```
+	# 编译    
+	make -j 10
+	# 生成预测库
+	make inference_lib_dist -j
+	```
 
 ## Paddle TensorRT使用
 
@@ -106,17 +108,17 @@ int main() {
 编译过程可以参照[`这里。`](https://github.com/PaddlePaddle/Paddle/tree/develop/paddle/fluid/inference/api/demo_ci)
 
 ## 子图运行原理
-   PaddlePaddle采用子图的形式对TensorRT进行集成，当模型加载后，神经网络可以表示为由变量和运算节点组成的计算图。Paddle TensorRT实现的功能是能够对整个图进行扫描，发现图中可以使用TensorRT优化的子图，并使用TensorRT节点替换它们。在模型的推断期间，如果遇到TensorRT节点，Paddle会调用TensoRT库对该节点进行优化， 其他的节点调用Paddle的原生实现。TensorRT在推断期间能够进行Op的横向和纵向融合，过滤掉冗余的op，并对特定平台下的特定的Op选择合适的kenel等进行优化， 能够加快模型的预测速度。   
-   下图使用一个简单的模型展示了这个过程。我们可以在原始模型网络中看到，绿色节点表示可以被TensorRT支持的节点，红色节点表示网络中的变量，黄色表示Paddle只能被Paddle原生实现执行的节点。那些在原始网络中的绿色节点被提取出来汇集成子图，并由一个TensorRT节点代替，成为转换网络中的block-25 节点。 在网络运行过程中，如果遇到该节点，Paddle将调用TensorRT库来对其执行。
+   PaddlePaddle采用子图的形式对TensorRT进行集成，当模型加载后，神经网络可以表示为由变量和运算节点组成的计算图。Paddle TensorRT实现的功能是能够对整个图进行扫描，发现图中可以使用TensorRT优化的子图，并使用TensorRT节点替换它们。在模型的推断期间，如果遇到TensorRT节点，Paddle会调用TensoRT库对该节点进行优化，其他的节点调用Paddle的原生实现。TensorRT在推断期间能够进行Op的横向和纵向融合，过滤掉冗余的Op，并对特定平台下的特定的Op选择合适的kenel等进行优化，能够加快模型的预测速度。   
+   下图使用一个简单的模型展示了这个过程。我们可以在原始模型网络中看到，绿色节点表示可以被TensorRT支持的节点，红色节点表示网络中的变量，黄色表示Paddle只能被Paddle原生实现执行的节点。那些在原始网络中的绿色节点被提取出来汇集成子图，并由一个TensorRT节点代替，成为转换网络中的block-25 节点。在网络运行过程中，如果遇到该节点，Paddle将调用TensorRT库来对其执行。
 
 **原始网络**
 <p align="center">
- <img src="./image/model_graph_original.png" width=800>
+ <img src="https://raw.githubusercontent.com/NHZlX/FluidDoc/add_trt_doc/doc/fluid/user_guides/howto/inference/image/model_graph_original.png" width=800>
 </p>
 
 **转换的网络**
 <p align="center">
- <img src="./image/model_graph_trt.png" width=800>
+ <img src="https://raw.githubusercontent.com/NHZlX/FluidDoc/add_trt_doc/doc/fluid/user_guides/howto/inference/image/model_graph_trt.png" width=800>
 </p>