diff --git a/docs/zh_CN/quick_start/quick_start_multilabel_classification.md b/docs/zh_CN/quick_start/quick_start_multilabel_classification.md
index b5b539db8cc7cd103e1b47db4aca45567447bcd1..a4345d0f080070adec72f940b775a22e5070de73 100644
--- a/docs/zh_CN/quick_start/quick_start_multilabel_classification.md
+++ b/docs/zh_CN/quick_start/quick_start_multilabel_classification.md
@@ -1,28 +1,28 @@
 # 多标签分类quick start
 
-基于[NUS-WIDE-SCENE](https://lms.comp.nus.edu.sg/wp-content/uploads/2019/research/nuswide/NUS-WIDE.html)数据集，体验多标签分类的训练、评估、预测的过程，该数据集是NUS-WIDE数据集的一个子集。请首先安装PaddlePaddle和PaddleClas，具体安装步骤可详看[Paddle 安装文档](../installation/install_paddle.md)，[PaddleClas 安装文档](../installation/install_paddleclas.md)。
+基于 [NUS-WIDE-SCENE](https://lms.comp.nus.edu.sg/wp-content/uploads/2019/research/nuswide/NUS-WIDE.html) 数据集，体验多标签分类的训练、评估、预测的过程，该数据集是 NUS-WIDE 数据集的一个子集。请首先安装 PaddlePaddle 和 PaddleClas，具体安装步骤可详看 [Paddle 安装文档](../installation/install_paddle.md)，[PaddleClas 安装文档](../installation/install_paddleclas.md)。
 
 
 ## 目录
 
-* [数据和模型准备](#1)
-* [模型训练](#2)
-* [模型评估](#3)
-* [模型预测](#4)
-* [基于预测引擎预测](#5)
+* [1. 数据和模型准备](#1)
+* [2. 模型训练](#2)
+* [3. 模型评估](#3)
+* [4. 模型预测](#4)
+* [5. 基于预测引擎预测](#5)
   * [5.1 导出inference model](#5.1)
   * [5.2 基于预测引擎预测](#5.2)
 
 <a name="1"></a>
-## 一、数据和模型准备
+## 1. 数据和模型准备
 
-* 进入PaddleClas目录。
+* 进入 `PaddleClas` 目录。
 
 ```
 cd path_to_PaddleClas
 ```
 
-* 创建并进入`dataset/NUS-WIDE-SCENE`目录，下载并解压NUS-WIDE-SCENE数据集。
+* 创建并进入 `dataset/NUS-WIDE-SCENE` 目录，下载并解压 NUS-WIDE-SCENE 数据集。
 
 ```shell
 mkdir dataset/NUS-WIDE-SCENE
@@ -31,14 +31,14 @@ wget https://paddle-imagenet-models-name.bj.bcebos.com/data/NUS-SCENE-dataset.ta
 tar -xf NUS-SCENE-dataset.tar
 ```
 
-* 返回`PaddleClas`根目录
+* 返回 `PaddleClas` 根目录
 
 ```
 cd ../../
 ```
 
 <a name="2"></a>
-## 二、模型训练
+## 2. 模型训练
 
 ```shell
 export CUDA_VISIBLE_DEVICES=0,1,2,3
@@ -48,10 +48,11 @@ python3 -m paddle.distributed.launch \
         -c ./ppcls/configs/quick_start/professional/MobileNetV1_multilabel.yaml
 ```
 
-训练10epoch之后，验证集最好的正确率应该在0.95左右。
+训练 10 epoch 之后，验证集最好的正确率应该在 0.95 左右。
 
 <a name="3"></a>
-## 三、模型评估
+
+## 3. 模型评估
 
 ```bash
 python3 tools/eval.py \
@@ -60,7 +61,7 @@ python3 tools/eval.py \
 ```
 
 <a name="4"></a>
-## 四、模型预测
+## 4. 模型预测
 
 ```bash
 python3 tools/infer.py \
@@ -74,7 +75,7 @@ python3 tools/infer.py \
 ```
 
 <a name="5"></a>
-## 五、基于预测引擎预测
+## 5. 基于预测引擎预测
 
 <a name="5.1"></a>
 ### 5.1 导出inference model
@@ -84,12 +85,12 @@ python3 tools/export_model.py \
     -c ./ppcls/configs/quick_start/professional/MobileNetV1_multilabel.yaml \
     -o Arch.pretrained="./output/MobileNetV1/best_model"
 ```
-inference model的路径默认在当前路径下`./inference`
+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