From 12e94e67640a46ac088ee94d5a60fa367292da2c Mon Sep 17 00:00:00 2001
From: huan <3174348550@qq.com>
Date: Tue, 5 Aug 2025 15:02:37 +0800
Subject: [PATCH] modify contents

---
 .../mindspore/source_zh_cn/features/index.rst |  5 +-
 docs/mindspore/source_zh_cn/features/view.md  | 96 ++++++++++---------
 tutorials/source_en/debug/profiler.md         |  2 +-
 3 files changed, 57 insertions(+), 46 deletions(-)

diff --git a/docs/mindspore/source_zh_cn/features/index.rst b/docs/mindspore/source_zh_cn/features/index.rst
index 1b046a7b6c..657f6d0bca 100644
--- a/docs/mindspore/source_zh_cn/features/index.rst
+++ b/docs/mindspore/source_zh_cn/features/index.rst
@@ -17,6 +17,7 @@ Developer Notes
    runtime/memory_manager
    runtime/multilevel_pipeline
    runtime/multistream_concurrency
-   amp
-   data_engine
    mint
+   view
+   data_engine
+   amp
diff --git a/docs/mindspore/source_zh_cn/features/view.md b/docs/mindspore/source_zh_cn/features/view.md
index f9d989fcfe..30e1897938 100644
--- a/docs/mindspore/source_zh_cn/features/view.md
+++ b/docs/mindspore/source_zh_cn/features/view.md
@@ -1,13 +1,17 @@
 ## Tensor View 机制
 
-View操作是指创建一个新的张量，该张量与原始张量共享相同的数据存储(data storage)，但具有不同的形状或排列方式。换句话说，view操作不会复制数据，而是通过不同的视角来持有现有的数据
+[![查看源文件](https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/website-images/r2.7.0/resource/_static/logo_source.svg)](https://gitee.com/mindspore/docs/blob/r2.7.0/docs/mindspore/source_zh_cn/features/view.md)
 
-核心特点
-- 内存共享: View操作创建的新张量与原始张量共享底层数据存储
-- 零拷贝: 不进行数据复制，避免内存分配开销
-- 形状变换: 可以改变张量的形状而不改变数据内容
+View操作是指创建一个新的张量，该张量与原始张量共享相同的数据存储(data storage)，但具有不同的形状或排列方式。换句话说，view操作不会复制数据，而是通过不同的视角来持有现有的数据。
+
+核心特点：
+
+- 内存共享：View操作创建的新张量与原始张量共享底层数据存储。
+- 零拷贝：不进行数据复制，避免内存分配开销。
+- 形状变换：可以改变张量的形状而不改变数据内容。
+
+Tensor.view()方法：
 
-Tensor.view()方法:
 ```python
 
 import mindspore
@@ -27,7 +31,9 @@ z = x.view(3, 2)  # 改为3x2张量
 print("改后:", z)
 print("新形状:", z.shape)
 ```
-Tensor.view_as()方法:
+
+Tensor.view_as()方法：
+
 ```python
 import mindspore
 
@@ -41,50 +47,54 @@ print("目标形状:", target.shape)
 print("结果形状:", y.shape)
 ```
 
-需要注意的是:
+需要注意的是：
 
-1、view操作要求张量在内存中是连续的，如果不连续，需要先调用contiguous()方法
-```python
-import mindspore
-from mindspore import ops
+1. view操作要求张量在内存中是连续的，如果不连续，需要先调用contiguous()方法
 
-x = mindspore.tensor([[1, 2, 3], [4, 5, 6]])
-y = mindspore.mint.transpose(x, (1, 0))  # 创建非连续张量
+    ```python
+    import mindspore
+    from mindspore import ops
 
-# 检查连续性
-print("y是否连续:", y.is_contiguous())
+    x = mindspore.tensor([[1, 2, 3], [4, 5, 6]])
+    y = mindspore.mint.transpose(x, (1, 0))  # 创建非连续张量
 
-# 使用contiguous()确保连续性
-z = y.contiguous().view(-1)
-print("z是否连续:", z.is_contiguous())
-```
+    # 检查连续性
+    print("y是否连续:", y.is_contiguous())
 
-2、view操作要求新形状的元素总数与原始张量相同
-```python
-import mindspore
+    # 使用contiguous()确保连续性
+    z = y.contiguous().view(-1)
+    print("z是否连续:", z.is_contiguous())
+    ```
 
-x = mindspore.tensor([1, 2, 3, 4, 5, 6])
-print("原始张量元素数:", x.numel())
+2. view操作要求新形状的元素总数与原始张量相同
 
-# 正确：6 = 2 * 3
-y = x.view(2, 3)
-print("改为2x3:", y)
+    ```python
+    import mindspore
 
-# 错误：6 ≠ 2 * 4
-try:
-    z = x.view(2, 4)
-except RuntimeError as e:
-    print("形状不匹配错误:", e)
-```
+    x = mindspore.tensor([1, 2, 3, 4, 5, 6])
+    print("原始张量元素数:", x.numel())
+
+    # 正确：6 = 2 * 3
+    y = x.view(2, 3)
+    print("改为2x3:", y)
+
+    # 错误：6 ≠ 2 * 4
+    try:
+        z = x.view(2, 4)
+    except RuntimeError as e:
+        print("形状不匹配错误:", e)
+    ```
+
+view与reshape区别：
+
+- view操作：
 
-view与reshape区别:
+    - 严格要求连续性: View操作要求张量在内存中必须是连续的。
+    - 失败机制: 如果张量不连续，view操作会抛出错误。
+    - 解决方案: 需要先调用contiguous()方法。
 
-view操作
- - 严格要求连续性: View操作要求张量在内存中必须是连续的
- - 失败机制: 如果张量不连续，view操作会抛出错误
- - 解决方案: 需要先调用contiguous()方法
+- reshape操作：
 
-reshape操作
- - 灵活处理: reshape操作更灵活，不要求张量必须连续
- - 自动处理: 如果张量不连续，reshape会自动创建新拷贝
- - 始终成功: 只要形状匹配，reshape操作总是能成功
\ No newline at end of file
+    - 灵活处理: reshape操作更灵活，不要求张量必须连续。
+    - 自动处理: 如果张量不连续，reshape会自动创建新拷贝。
+    - 始终成功: 只要形状匹配，reshape操作总是能成功。
\ No newline at end of file
diff --git a/tutorials/source_en/debug/profiler.md b/tutorials/source_en/debug/profiler.md
index 9d2e60c4f5..1454550cf1 100644
--- a/tutorials/source_en/debug/profiler.md
+++ b/tutorials/source_en/debug/profiler.md
@@ -22,7 +22,7 @@ There are five ways to collect training performance data, and the following desc
 
 ### Method 1: mindspore.Profiler Interface Enabling
 
-Add the MindSpore Profiler related interfaces in the training script, users can refer to  [MindSpore Profiler parameter details](https://www.mindspore.cn/docs/en/r2.7.0/api_python/mindspore/mindspore.Profiler.html) and [_ExperimentalConfig Parameter Details](https://www.mindspore.cn/docs/en/r2.7.0/api_python/mindspore/mindspore.profiler._ExperimentalConfig.html) to configure parameters such as profiler_level according to their data requirements.
+Add the MindSpore Profiler related interfaces in the training script, users can refer to [MindSpore Profiler parameter details](https://www.mindspore.cn/docs/en/r2.7.0/api_python/mindspore/mindspore.Profiler.html) and [_ExperimentalConfig Parameter Details](https://www.mindspore.cn/docs/en/r2.7.0/api_python/mindspore/mindspore.profiler._ExperimentalConfig.html) to configure parameters such as profiler_level according to their data requirements.
 
 The interface supports two collection modes: CallBack mode and custom for loop mode, and supports both Graph and PyNative modes.
 
-- 
Gitee