diff --git a/docs/zh_CN/models/DPN_DenseNet.md b/docs/zh_CN/models/DPN_DenseNet.md
index 4dc811bac54b3e01a606b8039ec9882374888bbe..3bfb52e451c117b3039566aedf65e90da5e2e316 100644
--- a/docs/zh_CN/models/DPN_DenseNet.md
+++ b/docs/zh_CN/models/DPN_DenseNet.md
@@ -3,7 +3,7 @@
## 概述
正在持续更新中......
-该系列模型的FLOPS、参数量以及fp32预测耗时如下图所示。
+该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。
diff --git a/docs/zh_CN/models/EfficientNet_and_ResNeXt101_wsl.md b/docs/zh_CN/models/EfficientNet_and_ResNeXt101_wsl.md
index 165d85367a577f5f84d4bb2bcb350266300e4baa..22e31d07dd9e59c2fb6d4763c2bede9685fa8bc0 100644
--- a/docs/zh_CN/models/EfficientNet_and_ResNeXt101_wsl.md
+++ b/docs/zh_CN/models/EfficientNet_and_ResNeXt101_wsl.md
@@ -3,7 +3,7 @@
## 概述
正在持续更新中......
-该系列模型的FLOPS、参数量以及fp32预测耗时如下图所示。
+该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。
diff --git a/docs/zh_CN/models/HRNet.md b/docs/zh_CN/models/HRNet.md
index 576bc301cf51f0652e015329626b36fccf6f0ea9..d021fe93441d26c6d10b294e668bae9029e15944 100644
--- a/docs/zh_CN/models/HRNet.md
+++ b/docs/zh_CN/models/HRNet.md
@@ -3,7 +3,7 @@
## 概述
正在持续更新中......
-该系列模型的FLOPS、参数量以及fp32预测耗时如下图所示。
+该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。
diff --git a/docs/zh_CN/models/Inception.md b/docs/zh_CN/models/Inception.md
index 61d168b2dd8bf5065c1267d30bd29c32cf62316a..dfe68697ebed18b3efdcbde44f666eaa114129ed 100644
--- a/docs/zh_CN/models/Inception.md
+++ b/docs/zh_CN/models/Inception.md
@@ -3,7 +3,7 @@
## 概述
正在持续更新中......
-该系列模型的FLOPS、参数量以及fp32预测耗时如下图所示。
+该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。
diff --git a/docs/zh_CN/models/Mobile.md b/docs/zh_CN/models/Mobile.md
index 1a6406f16d8c1e0edd05620318c277bcfe3aef2b..6ef51b5ef07605d8bc3b8412eb7b4ef38c7a7752 100644
--- a/docs/zh_CN/models/Mobile.md
+++ b/docs/zh_CN/models/Mobile.md
@@ -53,44 +53,6 @@ MobileNetV3是Google于2019年提出的一种基于NAS的新的轻量级网络
| ShuffleNetV2_swish | 0.700 | 0.892 | | | 0.290 | 2.260 |
-
-## FP32预测速度
-
-| Models | Crop Size | Resize Short Size | Batch Size=1
(ms) |
-|--------------------------------------|-----------|-------------------|--------------------------|
-| MobileNetV1_x0_25 | 224 | 256 | 0.492 |
-| MobileNetV1_x0_5 | 224 | 256 | 0.599 |
-| MobileNetV1_x0_75 | 224 | 256 | 0.695 |
-| MobileNetV1 | 224 | 256 | 0.739 |
-| MobileNetV1_ssld | 224 | 256 | 0.739 |
-| MobileNetV2_x0_25 | 224 | 256 | 1.014 |
-| MobileNetV2_x0_5 | 224 | 256 | 1.216 |
-| MobileNetV2_x0_75 | 224 | 256 | 1.392 |
-| MobileNetV2 | 224 | 256 | 1.153 |
-| MobileNetV2_x1_5 | 224 | 256 | 1.516 |
-| MobileNetV2_x2_0 | 224 | 256 | 1.819 |
-| MobileNetV2_ssld | 224 | 256 | 1.153 |
-| MobileNetV3_large_
x1_25 | 224 | 256 | 3.070 |
-| MobileNetV3_large_
x1_0 | 224 | 256 | 3.173 |
-| MobileNetV3_large_
x0_75 | 224 | 256 | 2.928 |
-| MobileNetV3_large_
x0_5 | 224 | 256 | 2.979 |
-| MobileNetV3_large_
x0_35 | 224 | 256 | 2.987 |
-| MobileNetV3_small_
x1_25 | 224 | 256 | 3.003 |
-| MobileNetV3_small_
x1_0 | 224 | 256 | 3.168 |
-| MobileNetV3_small_
x0_75 | 224 | 256 | 2.974 |
-| MobileNetV3_small_
x0_5 | 224 | 256 | 2.199 |
-| MobileNetV3_small_
x0_35 | 224 | 256 | 2.240 |
-| MobileNetV3_large_
x1_0_ssld | 224 | 256 | 3.173 |
-| MobileNetV3_small_
x1_0_ssld | 224 | 256 | 3.168 |
-| ShuffleNetV2 | 224 | 256 | 1.861 |
-| ShuffleNetV2_x0_25 | 224 | 256 | 1.410 |
-| ShuffleNetV2_x0_33 | 224 | 256 | 1.271 |
-| ShuffleNetV2_x0_5 | 224 | 256 | 1.389 |
-| ShuffleNetV2_x1_5 | 224 | 256 | 1.239 |
-| ShuffleNetV2_x2_0 | 224 | 256 | 2.152 |
-| ShuffleNetV2_swish | 224 | 256 | 2.150 |
-
-
## CPU预测速度和存储大小
| Models | batch_size=1(ms) | Storage Size(M) |
diff --git a/docs/zh_CN/models/ResNet_and_vd.md b/docs/zh_CN/models/ResNet_and_vd.md
index 89a55d4ff4d7272dbedefb9eb571b3ffc24d970b..5c305b94d331a9c89bf4f33714a7b6250b67c4cf 100644
--- a/docs/zh_CN/models/ResNet_and_vd.md
+++ b/docs/zh_CN/models/ResNet_and_vd.md
@@ -11,7 +11,7 @@ ResNet系列模型是在2015年提出的，一举在ILSVRC2015比赛中取得冠
其中，ResNet50_vd_v2与ResNet50_vd_ssld采用了知识蒸馏，保证模型结构不变的情况下，进一步提升了模型的精度，具体地，ResNet50_vd_v2的teacher模型是ResNet152_vd（top1准确率80.59%），数据选用的是ImageNet-1k的训练集，ResNet50_vd_ssld的teacher模型是ResNeXt101_32x16d_wsl（top1准确率84.2%），数据选用结合了ImageNet-1k的训练集和ImageNet-22k挖掘的400万数据。知识蒸馏的具体方法正在持续更新中。
-该系列模型的FLOPS、参数量以及fp32预测耗时如下图所示。
+该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。
diff --git a/docs/zh_CN/models/SEResNext_and_Res2Net.md b/docs/zh_CN/models/SEResNext_and_Res2Net.md
index 946315548583985f28bf8dab497ef0a3b9fc06c8..90955354aece52a3770c57c6d387c4bdf8238453 100644
--- a/docs/zh_CN/models/SEResNext_and_Res2Net.md
+++ b/docs/zh_CN/models/SEResNext_and_Res2Net.md
@@ -7,7 +7,7 @@ SENet是2017年ImageNet分类比赛的冠军方案，其提出了一个全新的
Res2Net是2019年提出的一种全新的对ResNet的改进方案，该方案可以和现有其他优秀模块轻松整合，在不增加计算负载量的情况下，在ImageNet、CIFAR-100等数据集上的测试性能超过了ResNet。Res2Net结构简单，性能优越，进一步探索了CNN在更细粒度级别的多尺度表示能力。Res2Net揭示了一个新的提升模型精度的维度，即scale，其是除了深度、宽度和基数的现有维度之外另外一个必不可少的更有效的因素。该网络在其他视觉任务如目标检测、图像分割等也有相当不错的表现。
-该系列模型的FLOPS、参数量以及fp32预测耗时如下图所示。
+该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。
