Optimize doc, test=document_fix (#642)

docs/en/tutorials/quick_start_en.md

@@ -171,14 +171,15 @@ python3 tools/train.py -c ./configs/quick_start/ResNet50_vd_ssld_random_erasin
 
 It improves by 1.27\% to 96.27\%
 
-* Save ResNet50_vd pretrained model to experience next chapter.
+
+### Distillation
+
+* The ResNet50_vd model pretrained on previous chapter will be used as the teacher model to train student model. Save the model to specified directory, command as follows:
 
 ```shell
 cp -r output/ResNet50_vd/19/  ./pretrained/flowers102_R50_vd_final/
 ```
 
-### Distillation
-
 * Use `extra_list.txt` as unlabeled data, Note:
     * Samples in the `extra_list.txt` and `val_list.txt` don't have intersection
     * Because of in the source code, label information is unused, This is still unlabeled distillation

docs/zh_CN/tutorials/quick_start.md

@@ -166,14 +166,13 @@ python3 tools/train.py -c ./configs/quick_start/ResNet50_vd_ssld_random_erasi
 
 最终flowers102验证集上的精度为0.9627，使用数据增广可以使得模型精度再次提升1.27\%。
 
-* 如果希望体验`3.6节`的知识蒸馏部分，可以首先保存训练得到的ResNet50_vd预训练模型到合适的位置，作为蒸馏时教师模型的预训练模型。脚本如下所示。
+
+### 3.6 知识蒸馏小试牛刀
+* 本小节将尝试使用知识蒸馏技术对MobileNetV3_large_x1_0模型进行训练，使用`3.5小节`训练得到的ResNet50_vd模型作为蒸馏所用的教师模型，首先将`3.5小节`训练得到的ResNet50_vd模型保存到指定目录，脚本如下。
 
 ```shell
 cp -r output/ResNet50_vd/best_model/  ./pretrained/flowers102_R50_vd_final/
 ```
-
-### 3.6 知识蒸馏小试牛刀
-
 * 使用flowers102数据集进行模型蒸馏，为了进一步提提升模型的精度，使用`extra_list.txt`充当无标签数据，在这里有几点需要注意：
     * `extra_list.txt`与`val_list.txt`的样本没有重复，因此可以用于扩充知识蒸馏任务的训练数据。
     * 即使引入了有标签的extra_list.txt中的图像，但是代码中没有使用标签信息，因此仍然可以视为无标签的模型蒸馏。