diff --git a/plugins/mindstudio-vscode-plugins/ReadMe.md b/plugins/mindstudio-vscode-plugins/ReadMe.md
index 37e928d9d99da4140c41a6e78708a8f28963668c..bca5f2afce286c1159883a4bde231707fdb3d144 100644
--- a/plugins/mindstudio-vscode-plugins/ReadMe.md
+++ b/plugins/mindstudio-vscode-plugins/ReadMe.md
@@ -30,7 +30,7 @@ MindStudio Operator Debug VSCode Plugin插件[源码仓](https://gitee.com/ascen
 2.  IDE界面远程SSH登录算子开发环境，打开已编译的算子工程文件
 3.  安装[Hex Editor](https://marketplace.visualstudio.com/items?itemName=ms-vscode.hexeditor)插件和[MindStudio Operator Debug VSCode Plugin](https://ascend-package.obs.cn-north-4.myhuaweicloud.com:443/mindstudio-operator-tools/MindStudio-Operator-Debug-VSCode-Plugin-0.0.1.vsix)插件
 
-* IDE界面插件市场界面离线本地安装
+* IDE界面插件市场离线本地安装
 ```
  - 插件.vsix文件上传linux环境
  - 展开IDE界面左侧边栏的插件菜单
@@ -79,7 +79,7 @@ MindStudio Operator Debug VSCode Plugin插件[源码仓](https://gitee.com/ascen
 * `environment` 包含自定义环境变量的对象数组，在加载完`environmentScripts`脚本中的环境变量后依次加载`environment`中的环境变量，格式需满足:`[{"name": "xxx", "value":"yyy"}]`
 
 #### 断点调试（设置/删除/禁用/启用断点）
-* 可以在算子程序行号显示处设置、删除、禁用、用断点，也可以在debug侧边工具栏中的底部断点工具栏执行相同操作。
+* 可以在算子程序行号显示处设置、删除、禁用、启用断点，也可以在debug侧边工具栏中的底部断点工具栏执行相同操作。
 
 #### 单步执行调试(逐行执行/内部执行/跳出函数)/继续/暂停/重启
 * 可以单击顶部调试工具栏上的图标控制程序，包括单步执行、步入、步出、继续、暂停、重启或停止程序的操作。
diff --git a/plugins/tensorboard-plugins/tb_plugin/fe/README.md b/plugins/tensorboard-plugins/tb_plugin/fe/README.md
index aa9cf2587780da8cd911a88c10f763516fc8867f..8d33f925f8bf7732720c57d6dab13487fa71b8fe 100644
--- a/plugins/tensorboard-plugins/tb_plugin/fe/README.md
+++ b/plugins/tensorboard-plugins/tb_plugin/fe/README.md
@@ -1,4 +1,4 @@
-# Pytorch Profiler
+# PyTorch Profiler
 
 ### Install & Build
 
diff --git a/profiler/affinity_cpu_bind/README.md b/profiler/affinity_cpu_bind/README.md
index bcc3c810b86ba2cb2153fc78e4f7c1f41ce35031..45df273e28f1ce5f43bc98790bfd4d5ca3db39b7 100644
--- a/profiler/affinity_cpu_bind/README.md
+++ b/profiler/affinity_cpu_bind/README.md
@@ -32,7 +32,7 @@ python3 bind_core.py -app="inference/train cmd"
 
 该方式会自动拉起训练或推理任务，检测任务进程，并实施绑核。
 
- - 手动拉起训练或推理任务后再执行绑核
+ - 手动拉起训练或推理任务后再执行绑核。
 ```bash
 python3 bind_core.py
 ```
diff --git a/profiler/example/mstx_torch_plugin/README.md b/profiler/example/mstx_torch_plugin/README.md
index f6c5b071150965d856f3be70f231ff603889820b..59acd97234f7d29096ff563d665d7779cf645cdd 100644
--- a/profiler/example/mstx_torch_plugin/README.md
+++ b/profiler/example/mstx_torch_plugin/README.md
@@ -1,6 +1,6 @@
 # mstx_torch_plugin
 
-Ascend Pytorch Profiler中的[采集并解析msprof_tx数据](https://www.hiascend.com/document/detail/zh/canncommercial/80RC3/devaids/devtools/profiling/atlasprofiling_16_0033.html#ZH-CN_TOPIC_0000002081898541__section5940122172516)功能已经内置了通信算子的打点。为了方便用户在不修改业务代码的基础上获取更多关键阶段的耗时数据，mstx_torch_plugin在Ascend Pytorch Profiler内置了**dataloader**、**forward**、**step**、**save_checkpoint**这四个关键阶段函数的打点。
+Ascend PyTorch Profiler中的[采集并解析msprof_tx数据](https://www.hiascend.com/document/detail/zh/canncommercial/80RC3/devaids/devtools/profiling/atlasprofiling_16_0033.html#ZH-CN_TOPIC_0000002081898541__section5940122172516)功能已经内置了通信算子的打点。为了方便用户在不修改业务代码的基础上获取更多关键阶段的耗时数据，mstx_torch_plugin在Ascend PyTorch Profiler内置了**dataloader**、**forward**、**step**、**save_checkpoint**这四个关键阶段函数的打点。
 
 ## 约束
 
diff --git a/profiler/msprof_analyze/cluster_analyse/cluster_kernels_analysis/README.md b/profiler/msprof_analyze/cluster_analyse/cluster_kernels_analysis/README.md
index 1ada30fe54f2cac9757c334c803767bb6cc93c0e..7d673694ed4b52c97222daf24a93ad11c9ae4a44 100644
--- a/profiler/msprof_analyze/cluster_analyse/cluster_kernels_analysis/README.md
+++ b/profiler/msprof_analyze/cluster_analyse/cluster_kernels_analysis/README.md
@@ -3,11 +3,11 @@
 cluster_op_summary_analysis.py脚本基于多卡性能数据的op_summary信息，统计并展示各卡中执行最快、最慢、均值和方差的TopN算子。
 
 ## 交附件
-### cluster_op_time_ analysis.csv
+### cluster_op_time_analysis.csv
 将算子以op_name、input_shape、input_size、output_shape进行分类，统计每一类算子，在不同节点（node）的不同卡（device）上，执行时间的最大、最小、方差、平均时间以及范围。
 ### xxx_info.html
 
-主要是各个特性（time和ratio）的html文件，以html方式展示top_n算子的箱线图。
+主要是各个特性（time和ratio）的html文件，以html方式展示TopN算子的箱线图。
 
 time和ratio表示AI Core和AI Vector Core算子性能指标中的耗时和占比字段。
 
@@ -50,12 +50,12 @@ time和ratio表示AI Core和AI Vector Core算子性能指标中的耗时和占
 3. 运行脚本
 
    ```bash
-   python3 cluster_prof_info_analysis.py –d data_path -t type -n top_n
+   python3 cluster_prof_info_analysis.py –d <data_path> -t <type> -n <TopN>
    ```
 
      - -d：集群场景性能数据目录，输入node的上一级目录。
      - -t：获取分析信息结果文件类型，可取值：html、csv、all，默认html。
-     - -n：html分析独有，表示需要展示的是平均时间top_n的算子，默认10，配置超过30时需要一定时间。
+     - -n：html分析独有，表示需要展示的是平均时间TopN的算子，默认10，配置超过30时需要一定时间。
 
 异常情况处理：
 
diff --git a/sample/pytorch_adapter/README.md b/sample/pytorch_adapter/README.md
index a2b1ba63570058ac954a121f4b14b396f5dace81..29401cd1559d9438af5bcbb207365668deed1c85 100644
--- a/sample/pytorch_adapter/README.md
+++ b/sample/pytorch_adapter/README.md
@@ -39,7 +39,7 @@ python main.py
 
 1. 执行如下命令可以编译出软件包(setuptools可以支持多种方式，比如：build,install等，此处不一一展示)：
 ```
-pytorch setup.py bdist_wheel    # 编译出wheel包，在dist目录下
+python setup.py bdist_wheel    # 编译出wheel包，在dist目录下
 ```
 
 2. 到```dist```目录下用pip命令安装对应软件包。