docs: fix invalid link

docs/zh_CN/advanced_tutorials/code_overview.md

@@ -246,4 +246,4 @@ Slim:
 * 如果希望在服务端使用 cpp 进行部署，可以参考 [cpp inference 预测教程](../inference_deployment/cpp_deploy.md) 。
 * 如果希望将分类模型部署为服务，可以参考 [hub serving 预测部署教程](../inference_deployment/paddle_hub_serving_deploy.md) 。
 * 如果希望在移动端使用分类模型进行预测，可以参考 [PaddleLite 预测部署教程](../inference_deployment/paddle_lite_deploy.md) 。
-* 如果希望使用whl包对分类模型进行预测，可以参考 [whl包预测](./docs/zh_CN/inference_deployment/whl_deploy.md) 。
+* 如果希望使用whl包对分类模型进行预测，可以参考 [whl包预测](../inference_deployment/whl_deploy.md) 。

docs/zh_CN/advanced_tutorials/how_to_contribute.md

@@ -6,17 +6,17 @@
 - [如何贡献代码](#1)
     - [1.1 PaddleClas 分支说明](#1.1)
     - [1.2 PaddleClas 代码提交流程与规范](#1.2)
-        - [1.2.1 fork 和 clone 代码](1.2.1)
-        - [1.2.2 和远程仓库建立连接](1.2.2)
-        - [1.2.3 创建本地分支](1.2.3)
-        - [1.2.4 使用 pre-commit 勾子](1.2.4)
-        - [1.2.5 修改与提交代码](1.2.5)
-        - [1.2.6 保持本地仓库最新](1.2.6)
-        - [1.2.7 push到远程仓库](1.2.7)
-        - [1.2.8 提交Pull Request](1.2.8)
-        - [1.2.9 签署 CLA 协议和通过单元测试](1.2.9)
-        - [1.2.10 删除分支](1.2.10)
-        - [1.2.11 提交代码的一些约定](1.2.11)
+        - [1.2.1 fork 和 clone 代码](#1.2.1)
+        - [1.2.2 和远程仓库建立连接](#1.2.2)
+        - [1.2.3 创建本地分支](#1.2.3)
+        - [1.2.4 使用 pre-commit 勾子](#1.2.4)
+        - [1.2.5 修改与提交代码](#1.2.5)
+        - [1.2.6 保持本地仓库最新](#1.2.6)
+        - [1.2.7 push到远程仓库](#1.2.7)
+        - [1.2.8 提交Pull Request](#1.2.8)
+        - [1.2.9 签署 CLA 协议和通过单元测试](#1.2.9)
+        - [1.2.10 删除分支](#1.2.10)
+        - [1.2.11 提交代码的一些约定](#1.2.11)
 - [总结](#2)
 - [参考文献](#3)
 

docs/zh_CN/advanced_tutorials/knowledge_distillation.md

@@ -207,7 +207,7 @@ SSLD 的流程图如下图所示。
 <a name="5"></a>
 ## 五、SSLD实战
 
-本节将基于 ImageNet-1K 的数据集详细介绍 SSLD 蒸馏实验，如果想快速体验此方法，可以参考 [**30分钟玩转PaddleClas（进阶版）**](../../tutorials/quick_start_professional.md) 中基于 CIFAR100 的 SSLD 蒸馏实验。
+本节将基于 ImageNet-1K 的数据集详细介绍 SSLD 蒸馏实验，如果想快速体验此方法，可以参考 [**30分钟玩转PaddleClas（进阶版）**](../quick_start/quick_start_classification_professional.md) 中基于 CIFAR100 的 SSLD 蒸馏实验。
 
 <a name="5.1"></a>
 ### 5.1 参数配置

docs/zh_CN/advanced_tutorials/model_prune_quantization.md

@@ -20,8 +20,8 @@
     - [1.2 准备训练好的模型](#1.2)
 - [快速开始](#2)
     - [2.1 模型量化](#2.1)
-        - [2.1.1 在线量化训练](2.1.1)
-        - [2.1.2 离线量化](2.1.2)
+        - [2.1.1 在线量化训练](#2.1.1)
+        - [2.1.2 离线量化](#2.1.2)
     - [2.2 模型剪枝](#2.2)
 - [导出模型](#3)
 - [模型部署](#4)

docs/zh_CN/algorithm_introduction/ImageNet_models.md

-简体中文 | [English](README.md)
+简体中文 | [English](../../en/algorithm_introduction/ImageNet_models.md)
 
 
 ## ImageNet预训练模型库

docs/zh_CN/data_preparation/classification_dataset.md

@@ -8,7 +8,7 @@
 
 - [数据集格式说明](#数据集格式说明)
 - [图像分类任务常见数据集介绍](#图像分类任务常见数据集介绍)
-    - [2.1 ImageNet1k](#ImageNet1k])
+    - [2.1 ImageNet1k](#ImageNet1k)
     - [2.2 Flowers102](#Flowers102)
     - [2.3 CIFAR10 / CIFAR100](#CIFAR10/CIFAR100)
     - [2.4 MNIST](#MNIST)

docs/zh_CN/image_recognition_pipeline/mainbody_detection.md

@@ -203,7 +203,7 @@ python tools/export_model.py -c configs/ppyolo/ppyolov2_r50vd_dcn_365e_coco.yml
 
 导出模型之后，在主体检测与识别任务中，就可以将检测模型的路径更改为该 inference 模型路径，完成预测。
 
-以商品识别为例，其配置文件为 [inference_product.yaml](../../../deploy/configs/inference_product.yaml) ，修改其中的 `Global.det_inference_model_dir` 字段为导出的主体检测 inference 模型目录，参考[图像识别快速开始教程](../tutorials/quick_start_recognition.md) ，即可完成商品检测与识别过程。
+以商品识别为例，其配置文件为 [inference_product.yaml](../../../deploy/configs/inference_product.yaml) ，修改其中的 `Global.det_inference_model_dir` 字段为导出的主体检测 inference 模型目录，参考[图像识别快速开始教程](../quick_start/quick_start_recognition.md) ，即可完成商品检测与识别过程。
 
 
 ### FAQ

docs/zh_CN/inference_deployment/cpp_deploy.md

@@ -9,8 +9,8 @@
 - [准备环境](#1)
     - [1.1编译opencv库](#1.1)
     - [1.2准备环境](#1.2)
-        - [1.2.1 预测库源码编译](1.2.1)
-        - [1.2.2 直接下载安装](1.2.2)
+        - [1.2.1 预测库源码编译](#1.2.1)
+        - [1.2.2 直接下载安装](#1.2.2)
 - [编译](#2)
     - [2.1 编译 PaddleClas C++ 预测 demo](#2.1)
     - [2.2 编译 config lib 预测库与 cls lib 预测库](#2.2)
@@ -252,7 +252,7 @@ make
 <a name="3"></a>
 ## 3. 运行
 
-<a name="3.l"></a>
+<a name="3.1"></a>
 ### 3.1 准备 inference model
 
 首先需要准备 inference model，关于将模型导出为 inference model 的具体步骤，可以参考 [模型导出](./export_model.md) 文档。假设导出的预测模型文件放在 `./inference` 目录下，则目录结构如下。

docs/zh_CN/inference_deployment/export_model.md

@@ -11,7 +11,7 @@ PaddlePaddle 支持导出 inference 模型用于部署推理场景，相比于
 - [分类模型导出](#分类模型导出)
 - [主体检测模型导出](#主体检测模型导出)
 - [识别模型导出](#识别模型导出)
-- [命令参数说明](#命令参数说明])
+- [命令参数说明](#命令参数说明)
 
 
 <a name="环境准备"></a>

docs/zh_CN/models/models_intro.md

@@ -45,7 +45,7 @@
 
 
 - 轻量级模型系列
-  - PP-LCNet系列<sup>[[28](#28)]</sup>([论文地址](https://arxiv.org/pdf/2109.15099.pdf))
+  - PP-LCNet系列<sup>[[28](#ref28)]</sup>([论文地址](https://arxiv.org/pdf/2109.15099.pdf))
     - [PPLCNet_x0_25](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x0_25_pretrained.pdparams)
      - [PPLCNet_x0_35](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x0_35_pretrained.pdparams)
     - [PPLCNet_x0_5](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x0_5_pretrained.pdparams)

docs/zh_CN/models_training/classification.md

@@ -129,7 +129,7 @@ python3 tools/train.py \
     ...
     ```
 
-训练期间也可以通过VisualDL实时观察loss变化，详见[VisualDL](../extension/VisualDL.md)。
+训练期间也可以通过VisualDL实时观察loss变化，详见[VisualDL](../others/VisualDL.md)。
 
 <a name="3.1.2"></a>
 #### 3.1.2 模型微调
@@ -338,4 +338,3 @@ python3 python/predict_cls.py \
 注意: 如果使用`Transformer`系列模型，如`DeiT_***_384`, `ViT_***_384`等，请注意模型的输入数据尺寸，需要设置参数`resize_short=384`, `resize=384`。
 
 如果你希望提升评测模型速度，使用gpu评测时，建议开启TensorRT加速预测，使用cpu评测时，建议开启MKLDNN加速预测。
-

docs/zh_CN/others/VisualDL.md

+# 使用VisualDL可视化训练过程
+
+## 前言
+VisualDL是飞桨可视化分析工具，以丰富的图表呈现训练参数变化趋势、模型结构、数据样本、高维数据分布等。可帮助用户更清晰直观地理解深度学习模型训练过程及模型结构，进而实现高效的模型优化。更多细节请查看[VisualDL](https://github.com/PaddlePaddle/VisualDL/)。
+
+## 在PaddleClas中使用VisualDL
+现在PaddleClas支持在训练阶段使用VisualDL查看训练过程中学习率（learning rate）、损失值（loss）以及准确率（accuracy）的变化情况。
+
+### 设置config文件并启动训练
+在PaddleClas中使用VisualDL，只需在训练配置文件（config文件）中设置字段 `Global.use_visualdl` 为 `True`：
+
+```yaml
+# config.yaml
+Global:
+...
+  use_visualdl: True
+...
+```
+
+PaddleClas 会将 VisualDL 的日志保存在 `Global.output_dir` 字段指定目录下的 `vdl/` 子目录下，然后正常启动训练即可：
+
+```shell
+python3 tools/train.py -c config.yaml
+```
+
+### 启动VisualDL
+在启动训练程序后，可以在新的终端session中启动VisualDL服务：
+
+```shell
+ visualdl --logdir ./output/vdl/
+ ```
+
+上述命令中，参数`--logdir`用于指定保存 VisualDL 日志的目录，VisualDL将遍历并且迭代寻找指定目录的子目录，将所有实验结果进行可视化。也同样可以使用下述参数设定VisualDL服务的ip及端口号：
+* `--host`：设定IP，默认为127.0.0.1
+* `--port`：设定端口，默认为8040
+
+更多参数信息，请查看[VisualDL](https://github.com/PaddlePaddle/VisualDL/blob/develop/README_CN.md#2-%E5%90%AF%E5%8A%A8%E9%9D%A2%E6%9D%BF)。
+
+在启动VisualDL后，即可在浏览器中查看训练过程，输入地址`127.0.0.1:8840`：
+
+<div align="center">
+    <img src="../../images/VisualDL/train_loss.png" width="400">
+</div>

docs/zh_CN/others/update_history.md

 # 更新日志
 
-- 2021.08.11 更新7个[FAQ](docs/zh_CN/faq_series/faq_2021_s2.md)。
-- 2021.06.29 添加Swin-transformer系列模型，ImageNet1k数据集上Top1 acc最高精度可达87.2%；支持训练预测评估与whl包部署，预训练模型可以从[这里](docs/zh_CN/models/models_intro.md)下载。
+- 2021.08.11 更新7个[FAQ](../faq_series/faq_2021_s2.md)。
+- 2021.06.29 添加Swin-transformer系列模型，ImageNet1k数据集上Top1 acc最高精度可达87.2%；支持训练预测评估与whl包部署，预训练模型可以从[这里](../models/models_intro.md)下载。
 - 2021.06.22,23,24 PaddleClas官方研发团队带来技术深入解读三日直播课。课程回放：[https://aistudio.baidu.com/aistudio/course/introduce/24519](https://aistudio.baidu.com/aistudio/course/introduce/24519)
 - 2021.06.16 PaddleClas v2.2版本升级，集成Metric learning，向量检索等组件。新增商品识别、动漫人物识别、车辆识别和logo识别等4个图像识别应用。新增LeViT、Twins、TNT、DLA、HarDNet、RedNet系列30个预训练模型。
 - 2021.04.15

docs/zh_CN/quick_start/quick_start_recognition.md

@@ -8,7 +8,7 @@
 
 * [1. 环境配置](#环境配置)
 * [2. 图像识别体验](#图像识别体验)
-  * [2.1 下载、解压inference 模型与demo数据](#下载、解压inference模型与demo数据)
+  * [2.1 下载、解压inference 模型与demo数据](#2.1)
   * [2.2 瓶装饮料识别与检索](#瓶装饮料识别与检索)
     * [2.2.1 识别单张图像](#识别单张图像)
     * [2.2.2 基于文件夹的批量识别](#基于文件夹的批量识别)
@@ -74,7 +74,8 @@ cd ..
 wget {数据下载链接地址} && tar -xf {压缩包的名称}
 ```
 
-<a name="下载、解压inference模型与demo数据"></a>
+<a name="2.1"></a>
+
 ### 2.1 下载、解压 inference 模型与 demo 数据
 
 下载 demo 数据集以及轻量级主体检测、识别模型，命令如下。