Update README.md

tutorials/compress/README.md

@@ -2,15 +2,15 @@
 本目录下整理了使用PaddleX进行模型剪裁训练的代码，代码均会自动下载数据，并使用单张GPU卡进行训练。
 
 PaddleX提供了两种剪裁训练方式，  
-1. 用户自行计算剪裁配置(推荐)，整体流程为
-> 1.使用数据训练原始模型；
-> 2.使用第1步训练好的模型，在验证集上计算各个模型参数的敏感度，并将敏感信息保存至本地文件
-> 3.再次使用数据训练原始模型，在训练时调用`train`接口时，传入第2步计算得到的参数敏感信息文件，
-> 4.模型在训练过程中，会根据传入的参数敏感信息文件，对模型结构剪裁后，继续迭代训练
+1. 用户自行计算剪裁配置(推荐)，整体流程为  
+> 1.使用数据训练原始模型；  
+> 2.使用第1步训练好的模型，在验证集上计算各个模型参数的敏感度，并将敏感信息保存至本地文件  
+> 3.再次使用数据训练原始模型，在训练时调用`train`接口时，传入第2步计算得到的参数敏感信息文件，  
+> 4.模型在训练过程中，会根据传入的参数敏感信息文件，对模型结构剪裁后，继续迭代训练  
 >
-2. 使用PaddleX预先计算好的参数敏感度信息文件，整体流程为
-> 1. 在训练调用`train`接口时，将`sensetivities_file`参数设为`DEFAULT`字符串
-> 2. 在训练过程中，会自动下载PaddleX预先计算好的模型参数敏感度信息，并对模型结构剪裁，继而迭代训练
+2. 使用PaddleX预先计算好的参数敏感度信息文件，整体流程为  
+> 1. 在训练调用`train`接口时，将`sensetivities_file`参数设为`DEFAULT`字符串  
+> 2. 在训练过程中，会自动下载PaddleX预先计算好的模型参数敏感度信息，并对模型结构剪裁，继而迭代训练  
 
 上述两种方式，第1种方法相对比第2种方法少了两步（即用户训练原始模型+自行计算参数敏感度信息)，实验验证第1种方法的精度会更高，剪裁的模型效果更好，因此在时间和计算成本允许的前提下，更推荐使用第1种方法。