modify documentation according to the standard format

docs/zh_CN/models_training/config_description.md

@@ -4,7 +4,7 @@
 
 ## 简介
 
-本文档介绍了PaddleClas配置文件(`ppcls/configs/*.yaml`)中各参数的含义，以便您更快地自定义或修改超参数配置。
+本文档介绍了 PaddleClas 配置文件(`ppcls/configs/*.yaml`)中各参数的含义，以便您更快地自定义或修改超参数配置。
 
 
 
@@ -12,28 +12,29 @@
 
 ### 目录
 
-- [分类模型](#1)
+- [1. 分类模型](#1)
   - [1.1 全局配置(Global)](#1.1)
   - [1.2 结构(Arch)](#1.2)
-  - [1.3 损失函数（Loss）](#1.3)
+  - [1.3 损失函数(Loss)](#1.3)
   - [1.4 优化器(Optimizer)](#1.4)
-  - [1.5数据读取模块（DataLoader）](#1.5)
+  - [1.5数据读取模块(DataLoader)](#1.5)
       - [1.5.1 dataset](#1.5.1)
       - [1.5.1 sampler](#1.5.2)
       - [1.5.1 loader](#1.5.3)
-  - [1.6 评估指标（Metric）](#1.6)
-- [蒸馏模型](#2)
+  - [1.6 评估指标(Metric)](#1.6)
+- [2. 蒸馏模型](#2)
   - [2.1 结构(Arch)](#2.1)
-  - [2.2 损失函数（Loss）](#2.2)
-  - [2.3 评估指标（Metric）](#2.3)
-- [识别模型](#3)
+  - [2.2 损失函数(Loss)](#2.2)
+  - [2.3 评估指标(Metric)](#2.3)
+- [3. 识别模型](#3)
   - [3.1 结构(Arch)](#3.1)
-  - [3.2 评估指标（Metric）](#3.2)
+  - [3.2 评估指标(Metric)](#3.2)
   
+
 <a name="1"></a>
 ### 1.分类模型
 
-此处以`ResNet50_vd`在`ImageNet-1k`上的训练配置为例，详解各个参数的意义。[配置路径](../../../ppcls/configs/ImageNet/ResNet/ResNet50_vd.yaml)。
+此处以 `ResNet50_vd` 在 `ImageNet-1k` 上的训练配置为例，详解各个参数的意义。[配置路径](../../../ppcls/configs/ImageNet/ResNet/ResNet50_vd.yaml)。
 
 <a name="1.1"></a>
 #### 1.1 全局配置(Global)
@@ -43,30 +44,30 @@
 | checkpoints | 断点模型路径，用于恢复训练 | null | str |
 | pretrained_model | 预训练模型路径 | null | str |
 | output_dir | 保存模型路径 | "./output/" | str |
-| save_interval | 每隔多少个epoch保存模型 | 1 | int |
+| save_interval | 每隔多少个 epoch 保存模型 | 1 | int |
 | eval_during_train| 是否在训练时进行评估 | True | bool |
-| eval_interval | 每隔多少个epoch进行模型评估 | 1 | int |
+| eval_interval | 每隔多少个 epoch 进行模型评估 | 1 | int |
 | epochs | 训练总epoch数 |  | int |
-| print_batch_step | 每隔多少个mini-batch打印输出 | 10 | int |
-| use_visualdl | 是否是用visualdl可视化训练过程 | False | bool |
-| image_shape | 图片大小 | [3，224，224] | list, shape: (3,) |
-| save_inference_dir | inference模型的保存路径 | "./inference" | str |
-| eval_mode | eval的模式 | "classification" | "retrieval" |
+| print_batch_step | 每隔多少个 mini-batch 打印输出 | 10 | int |
+| use_visualdl | 是否是用 visualdl 可视化训练过程 | False | bool |
+| image_shape | 图片大小 | [3, 224, 224] | list, shape: (3,) |
+| save_inference_dir | inference 模型的保存路径 | "./inference" | str |
+| eval_mode | eval 的模式 | "classification" | "retrieval" |
 | to_static | 是否改为静态图模式 | False | True |
-| ues_dali | 是否使用dali库进行图像预处理 | False | True |
+| ues_dali | 是否使用 dali 库进行图像预处理 | False | True |
 
-**注**：`pretrained_model`也可以填写存放预训练模型的http地址。
+**注**：`pretrained_model` 也可以填写存放预训练模型的 http 地址。
 
 <a name="1.2"></a>
 #### 1.2 结构(Arch)
 
 | 参数名字 | 具体含义 | 默认值 | 可选值 |
 |:---:|:---:|:---:|:---:|
-| name | 模型结构名字 | ResNet50 | PaddleClas提供的模型结构 |
+| name | 模型结构名字 | ResNet50 | PaddleClas 提供的模型结构 |
 | class_num | 分类数 | 1000 | int |
-| pretrained | 预训练模型 | False | bool， str |
+| pretrained | 预训练模型 | False | bool,  str |
 
-**注**：此处的pretrained可以设置为`True`或者`False`，也可以设置权重的路径。另外当`Global.pretrained_model`也设置相应路径时，此处的`pretrained`失效。
+**注**：此处的pretrained可以设置为 `True` 或者 `False`，也可以设置权重的路径。另外当 `Global.pretrained_model` 也设置相应路径时，此处的 `pretrained` 失效。
 
 <a name="1.3"></a>
 #### 1.3 损失函数（Loss）
@@ -74,8 +75,8 @@
 | 参数名字 | 具体含义 | 默认值 | 可选值 |
 |:---:|:---:|:---:|:---:|
 | CELoss | 交叉熵损失函数 | —— | —— |
-| CELoss.weight | CELoss的在整个Loss中的权重 | 1.0 | float |
-| CELoss.epsilon | CELoss中label_smooth的epsilon值 | 0.1 | float，0-1之间 |
+| CELoss.weight | CELoss 在整个 Loss 中的权重 | 1.0 | float |
+| CELoss.epsilon | CELoss 中 label_smooth 的 epsilon 值 | 0.1 | float, 0-1 之间 |
 
 <a name="1.4"></a>
 #### 1.4 优化器(Optimizer)
@@ -83,14 +84,14 @@
 | 参数名字 | 具体含义 | 默认值 | 可选值 |
 |:---:|:---:|:---:|:---:|
 | name | 优化器方法名 | "Momentum" | "RmsProp"等其他优化器 |
-| momentum | momentum值 | 0.9 | float |
+| momentum | momentum 值 | 0.9 | float |
 | lr.name | 学习率下降方式 | "Cosine" | "Linear"、"Piecewise"等其他下降方式 |
 | lr.learning_rate | 学习率初始值 | 0.1 | float |
-| lr.warmup_epoch | warmup轮数 | 0 | int，如5 |
+| lr.warmup_epoch | warmup 轮数 | 0 | int，如5 |
 | regularizer.name | 正则化方法名 | "L2" | ["L1", "L2"] |
 | regularizer.coeff | 正则化系数 | 0.00007 | float |
 
-**注**：`lr.name`不同时，新增的参数可能也不同，如当`lr.name=Piecewise`时，需要添加如下参数：
+**注**：`lr.name` 不同时，新增的参数可能也不同，如当 `lr.name=Piecewise` 时，需要添加如下参数：
 
 ```
   lr:
@@ -100,53 +101,53 @@
     values: [0.1, 0.01, 0.001, 0.0001]
 ```
 
-添加方法及参数请查看[learning_rate.py](../../../ppcls/optimizer/learning_rate.py)。
+添加方法及参数请查看 [learning_rate.py](../../../ppcls/optimizer/learning_rate.py)。
 
 <a name="1.5"></a>
-#### 1.5数据读取模块（DataLoader）
+#### 1.5数据读取模块(DataLoader)
 
 <a name="1.5.1"></a>
 ##### 1.5.1 dataset
 
 | 参数名字 | 具体含义 | 默认值 | 可选值 |
 |:---:|:---:|:---:|:---:|
-| name | 读取数据的类的名字 | ImageNetDataset | VeriWild等其他读取数据类的名字 |
+| name | 读取数据的类的名字 | ImageNetDataset | VeriWild 等其他读取数据类的名字 |
 | image_root | 数据集存放的路径 | ./dataset/ILSVRC2012/ | str |
-| cls_label_path | 数据集标签list | ./dataset/ILSVRC2012/train_list.txt | str |
+| cls_label_path | 数据集标签 list | ./dataset/ILSVRC2012/train_list.txt | str |
 | transform_ops | 单张图片的数据预处理 | —— | —— |
-| batch_transform_ops | batch图片的数据预处理 | —— | —— |
+| batch_transform_ops | batch 图片的数据预处理 | —— | —— |
 
 
-transform_ops中参数的意义：
+transform_ops 中参数的意义：
 
 | 功能名字 | 参数名字 | 具体含义 |
 |:---:|:---:|:---:|
-| DecodeImage | to_rgb | 数据转RGB |
-|  | channel_first | 按CHW排列的图片数据 |
+| DecodeImage | to_rgb | 数据转 RGB |
+|  | channel_first | 按 CHW 排列的图片数据 |
 | RandCropImage | size | 随机裁剪 |
 | RandFlipImage | | 随机翻转 |
-| NormalizeImage | scale | 归一化scale值 |
+| NormalizeImage | scale | 归一化 scale 值 |
 |  | mean | 归一化均值 |
 |  | std | 归一化方差 |
 |  | order | 归一化顺序 |
 | CropImage | size | 裁剪大小 |
 | ResizeImage | resize_short | 按短边调整大小 |
 
-batch_transform_ops中参数的含义：
+batch_transform_ops 中参数的含义：
 
 | 功能名字 | 参数名字 | 具体含义 |
 |:---:|:---:|:---:|
-| MixupOperator | alpha | Mixup参数值，该值越大增强越强 |
+| MixupOperator | alpha | Mixup 参数值，该值越大增强越强 |
 
 <a name="1.5.2"></a>
 ##### 1.5.2 sampler
 
 | 参数名字 | 具体含义 | 默认值 | 可选值 |
 |:---:|:---:|:---:|:---:|
-| name |  sampler类型 | DistributedBatchSampler | DistributedRandomIdentitySampler等其他Sampler |
+| name | sampler 类型 | DistributedBatchSampler | DistributedRandomIdentitySampler 等其他 Sampler |
 | batch_size | 批大小 | 64 | int |
-| drop_last | 是否丢掉最后不够batch-size的数据 | False | bool |
-| shuffle | 数据是否做shuffle | True | bool |
+| drop_last | 是否丢掉最后不够 batch-size 的数据 | False | bool |
+| shuffle | 数据是否做 shuffle | True | bool |
 
 <a name="1.5.3"></a>
 ##### 1.5.3 loader
@@ -157,7 +158,7 @@ batch_transform_ops中参数的含义：
 | use_shared_memory | 是否使用共享内存 | True | bool |
 
 <a name="1.6"></a>
-#### 1.6 评估指标（Metric）
+#### 1.6 评估指标(Metric)
 
 | 参数名字 | 具体含义 | 默认值 | 可选值 |
 |:---:|:---:|:---:|:---:|
@@ -168,18 +169,18 @@ batch_transform_ops中参数的含义：
 
 | 参数名字 | 具体含义 | 默认值 | 可选值 |
 |:---:|:---:|:---:|:---:|
-| infer_imgs | 被infer的图像的地址 | docs/images/whl/demo.jpg | str |
+| infer_imgs | 被 infer 的图像的地址 | docs/images/whl/demo.jpg | str |
 | batch_size | 批大小 | 10 | int |
 | PostProcess.name | 后处理名字 | Topk | str |
-| PostProcess.topk | topk的值 | 5 | int |
-| PostProcess.class_id_map_file | class id和名字的映射文件 | ppcls/utils/imagenet1k_label_list.txt | str |
+| PostProcess.topk | topk 的值 | 5 | int |
+| PostProcess.class_id_map_file | class id 和名字的映射文件 | ppcls/utils/imagenet1k_label_list.txt | str |
 
-**注**：Infer模块的`transforms`的解释参考数据读取模块中的dataset中`transform_ops`的解释。
+**注**：Infer 模块的 `transforms` 的解释参考数据读取模块中的 dataset 中 `transform_ops` 的解释。
 
 <a name="2"></a>
 ### 2.蒸馏模型
 
-**注**：此处以`MobileNetV3_large_x1_0`在`ImageNet-1k`上蒸馏`MobileNetV3_small_x1_0`的训练配置为例，详解各个参数的意义。[配置路径](../../../ppcls/configs/ImageNet/Distillation/mv3_large_x1_0_distill_mv3_small_x1_0.yaml)。这里只介绍与分类模型有区别的参数。
+**注**：此处以 `MobileNetV3_large_x1_0` 在 `ImageNet-1k` 上蒸馏 `MobileNetV3_small_x1_0` 的训练配置为例，详解各个参数的意义。[配置路径](../../../ppcls/configs/ImageNet/Distillation/mv3_large_x1_0_distill_mv3_small_x1_0.yaml)。这里只介绍与分类模型有区别的参数。
 
 <a name="2.1"></a>
 #### 2.1 结构（Arch）
@@ -190,48 +191,49 @@ batch_transform_ops中参数的含义：
 | class_num | 分类数 | 1000 | int |
 | freeze_params_list | 冻结参数列表 | [True, False] | list |
 | models | 模型列表 | [Teacher, Student] | list |
-| Teacher.name | 教师模型的名字 | MobileNetV3_large_x1_0 | PaddleClas中的模型 |
+| Teacher.name | 教师模型的名字 | MobileNetV3_large_x1_0 | PaddleClas 中的模型 |
 | Teacher.pretrained | 教师模型预训练权重 | True | 布尔值或者预训练权重路径 |
-| Teacher.use_ssld | 教师模型预训练权重是否是ssld权重 | True | 布尔值 |
-| infer_model_name | 被infer模型的类型 | Student | Teacher |
+| Teacher.use_ssld | 教师模型预训练权重是否是 ssld 权重 | True | 布尔值 |
+| infer_model_name | 被 infer 模型的类型 | Student | Teacher |
 
 **注**：
 
-1.list在yaml中体现如下：
+1.list 在 yaml 中体现如下：
+
 ```
   freeze_params_list:
   - True
   - False
 ```
-2.Student的参数情况类似，不再赘述。
+2.Student 的参数情况类似，不再赘述。
 
 <a name="2.2"></a>
-#### 2.2 损失函数（Loss）
+#### 2.2 损失函数(Loss)
 
 | 参数名字 | 具体含义 | 默认值 | 可选值 |
 |:---:|:---:|:---:|:---:|
 | DistillationCELoss | 蒸馏的交叉熵损失函数 | —— | —— |
-| DistillationCELoss.weight | Loss权重 | 1.0 | float |
+| DistillationCELoss.weight | Loss 权重 | 1.0 | float |
 | DistillationCELoss.model_name_pairs |  ["Student", "Teacher"] | —— | —— |
-| DistillationGTCELoss.weight | 蒸馏的模型与真实Label的交叉熵损失函数 | —— | —— |
-| DistillationGTCELos.weight | Loss权重 | 1.0 | float |
-| DistillationCELoss.model_names | 与真实label作交叉熵的模型名字 | ["Student"] | —— |
+| DistillationGTCELoss.weight | 蒸馏的模型与真实 Label 的交叉熵损失函数 | —— | —— |
+| DistillationGTCELos.weight | Loss 权重 | 1.0 | float |
+| DistillationCELoss.model_names | 与真实 label 作交叉熵的模型名字 | ["Student"] | —— |
 
 <a name="2.3"></a>
-#### 2.3 评估指标（Metric）
+#### 2.3 评估指标(Metric)
 
 | 参数名字 | 具体含义 | 默认值 | 可选值 |
 |:---:|:---:|:---:|:---:|
-| DistillationTopkAcc | DistillationTopkAcc | 包含model_key和topk两个参数 | —— |
+| DistillationTopkAcc | DistillationTopkAcc | 包含 model_key 和 topk 两个参数 | —— |
 | DistillationTopkAcc.model_key | 被评估的模型 | "Student" | "Teacher" |
-| DistillationTopkAcc.topk | Topk的值 | [1, 5] | list, int |
+| DistillationTopkAcc.topk | Topk 的值 | [1, 5] | list, int |
 
-**注**：`DistillationTopkAcc`与普通`TopkAcc`含义相同，只是只用在蒸馏任务中。
+**注**：`DistillationTopkAcc` 与普通 `TopkAcc` 含义相同，只是只用在蒸馏任务中。
 
 <a name="3"></a>
 ### 3. 识别模型
 
-**注**：此处以`ResNet50`在`LogoDet-3k`上的训练配置为例，详解各个参数的意义。[配置路径](../../../ppcls/configs/Logo/ResNet50_ReID.yaml)。这里只介绍与分类模型有区别的参数。
+**注**：此处以 `ResNet50` 在 `LogoDet-3k` 上的训练配置为例，详解各个参数的意义。[配置路径](../../../ppcls/configs/Logo/ResNet50_ReID.yaml)。这里只介绍与分类模型有区别的参数。
 
 <a name="3.1"></a>
 #### 3.1 结构(Arch)
@@ -239,30 +241,30 @@ batch_transform_ops中参数的含义：
 |     参数名字      |         具体含义          |   默认值   |                            可选值                            |
 | :---------------: | :-----------------------: | :--------: | :----------------------------------------------------------: |
 |       name        |         模型结构          | "RecModel" |                         ["RecModel"]                         |
-| infer_output_key  |    inference时的输出值    | “feature”  |                    ["feature", "logits"]                     |
-| infer_add_softmax |  infercne是否添加softmax  |    False   |                        [True, False]                         |
-|     Backbone.name      |    Backbone的名字     |      ResNet50_last_stage_stride1     | PaddleClas提供的其他backbone |
-|     Backbone.pretrained      |   Backbone预训练模型    |      True      | 布尔值或者预训练模型路径 |
-| BackboneStopLayer.name | Backbone中的输出层名字 |     True       | Backbone中的特征输出层的`full_name` |
-|       Neck.name        |    网络Neck部分名字     |      VehicleNeck      |           需传入字典结构，Neck网络层的具体输入参数           |
-|       Neck.in_channels        |    输入Neck部分的维度大小     |      2048      |        与BackboneStopLayer.name层的大小相同           |
-|       Neck.out_channels        |    输出Neck部分的维度大小，即特征维度大小    |      512     |        int           |
-|       Head.name        |    网络Head部分名字     |      CircleMargin      |           Arcmargin等           |
-|       Head.embedding_size        |    特征维度大小      |      512      |           与Neck.out_channels保持一致           |
+| infer_output_key  |    inference 时的输出值    | “feature”  |                    ["feature", "logits"]                     |
+| infer_add_softmax |  infercne 是否添加 softmax  |    False   |                        [True, False]                         |
+|     Backbone.name      |    Backbone 的名字    |      ResNet50_last_stage_stride1     | PaddleClas 提供的其他 backbone |
+|     Backbone.pretrained      |   Backbone 预训练模型   |      True      | 布尔值或者预训练模型路径 |
+| BackboneStopLayer.name | Backbone 中的输出层名字 |     True       | Backbone中的特征输出层的 `full_name` |
+|       Neck.name        |    网络 Neck 部分名字    |      VehicleNeck      |           需传入字典结构，Neck 网络层的具体输入参数           |
+|       Neck.in_channels        |    输入 Neck 部分的维度大小    |      2048      |        与BackboneStopLayer.name层的大小相同           |
+|       Neck.out_channels        |    输出 Neck 部分的维度大小，即特征维度大小    |      512     |        int           |
+|       Head.name        |    网络 Head 部分名字    |      CircleMargin      |           Arcmargin 等           |
+|       Head.embedding_size        |    特征维度大小      |      512      |           与 Neck.out_channels 保持一致           |
 |       Head.class_num        |    类别数     |      3000      |           int           |
-|       Head.margin        |    CircleMargin中的margin值     |      0.35      |           float          |
-|       Head.scale        |    CircleMargin中的scale值     |      64      |           int          |
+|       Head.margin        |    CircleMargin 中的 margin 值    |      0.35      |           float          |
+|       Head.scale        |    CircleMargin  中的 scale 值    |      64      |           int          |
 
 **注**：
 
-1.在PaddleClas中，`Neck`部分是Backbone与embedding层的连接部分，`Head`部分是embedding层与分类层的连接部分。
+1.在 PaddleClas 中，`Neck` 部分是 Backbone 与 embedding 层的连接部分，`Head` 部分是 embedding 层与分类层的连接部分。
 
-2.`BackboneStopLayer.name`的获取方式可以通过将模型可视化后获取，可视化方式可以参考[Netron](https://github.com/lutzroeder/netron)或者[visualdl](https://github.com/PaddlePaddle/VisualDL)。
+2.`BackboneStopLayer.name` 的获取方式可以通过将模型可视化后获取，可视化方式可以参考 [Netron](https://github.com/lutzroeder/netron) 或者 [visualdl](https://github.com/PaddlePaddle/VisualDL)。
 
-3.调用`tools/export_model.py`会将模型的权重转为inference model，其中`infer_add_softmax`参数会控制是否在其后增加`Softmax`激活函数，代码中默认为`True`(分类任务中最后的输出层会接`Softmax`激活函数)，识别任务中特征层无须接激活函数，此处要设置为`False`。
+3.调用 `tools/export_model.py` 会将模型的权重转为 inference model，其中 `infer_add_softmax` 参数会控制是否在其后增加 `Softmax` 激活函数，代码中默认为 `True`（分类任务中最后的输出层会接`Softmax`激活函数），识别任务中特征层无须接激活函数，此处要设置为 `False`。
 
 <a name="3.2"></a>
-#### 3.2 评估指标（Metric）
+#### 3.2 评估指标(Metric)
 
 | 参数名字 | 具体含义 | 默认值 | 可选值 |
 |:---:|:---:|:---:|:---:|

docs/zh_CN/quick_start/quick_start_classification_new_user.md

@@ -94,7 +94,7 @@ cd ../../
 <a name="4.1"></a>
 ### 4.1 使用CPU进行模型训练
 
-由于使用CPU来进行模型训练，计算速度较慢，因此，此处以 ShuffleNetV2_x0_25 为例。此模型计算量较小，在 CPU 上计算速度较快。但是也因为模型较小，训练好的模型精度也不会太高。
+由于使用 CPU 来进行模型训练，计算速度较慢，因此，此处以 ShuffleNetV2_x0_25 为例。此模型计算量较小，在 CPU 上计算速度较快。但是也因为模型较小，训练好的模型精度也不会太高。
 
 <a name="4.1.1"></a>
 #### 4.1.1 不使用预训练模型进行训练
@@ -104,7 +104,7 @@ cd ../../
 python tools/train.py -c ./ppcls/configs/quick_start/new_user/ShuffleNetV2_x0_25.yaml
 ```
 
-- `-c` 参数是指定训练的配置文件路径，训练的具体超参数可查看`yaml`文件
+- `-c` 参数是指定训练的配置文件路径，训练的具体超参数可查看 `yaml` 文件
 - `yaml`文`Global.device` 参数设置为`cpu`，即使用CPU进行训练（若不设置，此参数默认为`True`）
 - `yaml`文件中`epochs`参数设置为20，说明对整个数据集进行20个epoch迭代，预计训练20分钟左右（不同CPU，训练时间略有不同），此时训练模型不充分。若提高训练模型精度，请将此参数设大，如**40**，训练时间也会相应延长
 

docs/zh_CN/quick_start/quick_start_multilabel_classification.md

@@ -90,7 +90,7 @@ inference model 的路径默认在当前路径下 `./inference`
 <a name="5.2"></a>
 ### 5.2 基于预测引擎预测
 
-首先进入 deploy 目录下：
+首先进入 `deploy` 目录下：
 
 ```bash
 cd ./deploy

docs/zh_CN/quick_start/quick_start_recognition.md

@@ -22,7 +22,7 @@
 
 ## 1. 环境配置
 
-* 安装：请先参考[Paddle安装教程](../installation/install_paddle.md) 以及 [PaddleClas安装教程](../installation/install_paddleclas.md) 配置 PaddleClas 运行环境。
+* 安装：请先参考 [Paddle安装教程](../installation/install_paddle.md) 以及 [PaddleClas安装教程](../installation/install_paddleclas.md) 配置 PaddleClas 运行环境。
 
 * 进入 `deploy` 运行目录。本部分所有内容与命令均需要在 `deploy` 目录下运行，可以通过下面的命令进入 `deploy` 目录。
 
@@ -172,9 +172,9 @@ python3.7 python/predict_system.py -c configs/inference_general.yaml -o Global.u
 [{'bbox': [244, 49, 509, 964], 'rec_docs': '农夫山泉-饮用天然水', 'rec_scores': 0.7585664}]
 ```
 
-其中bbox表示检测出的主体所在位置，rec_docs表示索引库中与检测框最为相似的类别，rec_scores表示对应的置信度。
+其中 `bbox` 表示检测出的主体所在位置，`rec_docs` 表示索引库中与检测框最为相似的类别，`rec_scores` 表示对应的置信度。
 
-检测的可视化结果也保存在`output`文件夹下，对于本张图像，识别结果可视化如下所示。
+检测的可视化结果也保存在 `output` 文件夹下，对于本张图像，识别结果可视化如下所示。
 
 <div align="center">
 <img src="../../images/recognition/drink_data_demo/output/nongfu_spring.jpeg"  width = "400" />
@@ -209,7 +209,7 @@ Inference: 150.06470680236816 ms per batch image
 ...
 ```
 
-所有图像的识别结果可视化图像也保存在 `output`文件夹内。
+所有图像的识别结果可视化图像也保存在 `output` 文件夹内。
 
 
 更多地，可以通过修改 `Global.rec_inference_model_dir` 字段来更改识别 inference 模型的路径，通过修改 `IndexProcess.index_dir` 字段来更改索引库索引的路径。