diff --git a/docs/mindspore/programming_guide/source_zh_cn/optim.md b/docs/mindspore/programming_guide/source_zh_cn/optim.md
index 08a897d3ffee219a5a3b421daf4dc48623a78271..95db6bfd4c26656f6727f981a2ff816aa7495074 100644
--- a/docs/mindspore/programming_guide/source_zh_cn/optim.md
+++ b/docs/mindspore/programming_guide/source_zh_cn/optim.md
@@ -20,8 +20,8 @@
 
 <a href="https://gitee.com/mindspore/docs/blob/master/docs/mindspore/programming_guide/source_zh_cn/optim.md" target="_blank"><img src="https://gitee.com/mindspore/docs/raw/master/resource/_static/logo_source.png"></a>
 
-## 概述
-
+## 概述
+
 优化器在模型训练过程中，用于计算和更新网络参数，合适的优化器可以有效减少训练时间，提高最终模型性能。最基本的优化器是梯度下降（SGD），在此基础上，很多其他的优化器进行了改进，以实现目标函数能更快速更有效地收敛到全局最优点。
 
 `mindspore.nn.optim`是MindSpore框架中实现各种优化算法的模块，包含常用的优化器、学习率等，接口具备较好的通用性，可以将以后更新、更复杂的方法集成到模块里。`mindspore.nn.optim`为模型提供常用的优化器，如`mindspore.nn.SGD`、`mindspore.nn.Adam`、`mindspore.nn.Ftrl`、`mindspore.nn.LazyAdam`、`mindspore.nn.Momentum`、`mindspore.nn.RMSProp`、`mindspore.nn.LARS`、`mindspore.nn.ProximalAadagrad`和`mindspore.nn.Lamb`等。同时`mindspore.nn`提供了动态学习率的模块，分为`dynamic_lr`和`learning_rate_schedule`，学习率的灵活设置可以有效支撑目标函数的收敛和模型的训练。
@@ -31,13 +31,13 @@
 以下内容分别从权重学习率、权重衰减、参数分组、混合精度等方面的配置分别进行详细介绍。
 
 ## 权重配置
-
-在构建Optimizer实例时，通过`params`配置模型网络中要训练和更新的权重。`params`必须配置，常见的配置方法有以下两种。
-
-### 使用Cell的网络权重获取函数
-
-`Parameter`类中包含了一个`requires_grad`的布尔型的类属性，表征了模型网络中的权重是否需要梯度来进行更新（详情可参考：https://gitee.com/mindspore/mindspore/blob/master/mindspore/common/parameter.py ）。其中大部分权重的`requires_grad`的默认值都为True；少数默认为False，例如BatchNormalize中的`moving_mean`和`moving_variance`。用户可以根据需要，自行对`requires_grad`的值进行修改。
-
+
+在构建Optimizer实例时，通过`params`配置模型网络中要训练和更新的权重。`params`必须配置，常见的配置方法有以下两种。
+
+### 使用Cell的网络权重获取函数
+
+`Parameter`类中包含了一个`requires_grad`的布尔型的类属性，表征了模型网络中的权重是否需要梯度来进行更新（详情可参考：https://gitee.com/mindspore/mindspore/blob/master/mindspore/common/parameter.py ）。其中大部分权重的`requires_grad`的默认值都为True；少数默认为False，例如BatchNormalize中的`moving_mean`和`moving_variance`。用户可以根据需要，自行对`requires_grad`的值进行修改。
+
 MindSpore提供了`get_parameters`方法来获取模型网络中所有权重，该方法返回了`Parameter`类型的网络权重；`trainable_params`方法本质是一个filter，过滤了`requires grad=True`的`Parameter`。用户在构建优化器时，可以通过配置`params`为`net.trainable_params()`来指定需要优化和更新的权重。
 
 代码样例如下：
@@ -98,7 +98,7 @@ model = Model(net, loss_fn=loss, optimizer=optim)
 ### 动态学习率
 
 模块提供了动态学习率的两种不同的实现方式，`dynamic_lr`和`learning_rate_schedule`：
-
+
 - `dynamic_lr`: 预生成长度为`total_step`的学习率列表，将列表传入优化器中使用， 训练过程中， 第i步使用第i个学习率的值作为当前step的学习率，其中，`total_step`的设置值不能小于训练的总步数；
 
 - `learning_rate_schedule`: 优化器学习率指定一个LearningRateSchedule的Cell实例，学习率会和训练网络一起组成计算图，在执行过程中，根据step计算出当前学习率。
@@ -125,12 +125,12 @@ model = Model(net, loss_fn=loss, optimizer=optim)
 
 以`piecewise_constant_lr`为例：
 
-```python
+```python
 from mindspore import nn
 
 milestone = [2, 5, 10]
 learning_rates = [0.1, 0.05, 0.01]
-lr = nn..dynamic_lr.piecewise_constant_lr(milestone, learning_rates)
+lr = nn.dynamic_lr.piecewise_constant_lr(milestone, learning_rates)
 print(lr)
 ```
 
@@ -160,7 +160,7 @@ print(lr)
 
 例如`ExponentialDecayLR`类代码样例如下：
 
-```python
+```python
 from mindspore import nn
 from mindspore import Tensor
 from mindspore import dtype as mstype
@@ -182,7 +182,7 @@ print(result)
 ```
 
 ## 权重衰减
-
+
 一般情况下，weight_decay取值范围为[0, 1)，实现对（BatchNorm以外的）参数使用权重衰减的策略，以避免模型过拟合问题；weight_decay的默认值为0.0，此时不使用权重衰减策略。
 
 ```python
@@ -191,7 +191,7 @@ optimizer = nn.Momentum(net.trainable_params(), learning_rate=0.01, momentum=0.9
 ```
 
 ## 参数分组
-
+
 优化器也支持为不同参数单独设置选项，此时不直接传入变量，而是传入一个字典的列表，每个字典定义一个参数组别的设置值，key可以为“params”，“lr”，“weight_decay”，”grad_centralizaiton”，value为对应的设定值。`params`必须配置，其余参数可以选择配置，未配置的参数项，将采用定义优化器时设置的参数值。
 
 分组时，学习率可以使用固定学习率，也可以使用dynamic_lr和learningrate_schedule动态学习率。
@@ -215,7 +215,7 @@ net = Net()
 conv_params = list(filter(lambda x: 'conv' in x.name, net.trainable_params()))
 no_conv_params = list(filter(lambda x: 'conv' not in x.name, net.trainable_params()))
 
-fix_lr = 0.01
+fix_lr = 0.01
 polynomial_decay_lr = nn.learning_rate_schedule.PolynomialDecayLR(learning_rate=0.1,
                                    end_learning_rate=0.01,
                                    decay_steps=4,
@@ -231,7 +231,7 @@ optim = nn.Momentum(group_params, learning_rate=0.1, momentum=0.9, weight_decay=
 ## 混合精度
 
 深度神经网络存在使用混合精度训练的场景，这种方法通过混合使用单精度和半精度数据格式来加速网络训练，同时保持了单精度训练所能达到的网络精度。混合精度训练能够加速计算过程，减少内存使用和存取，并使得在特定的硬件上可以训练更大的模型或batch size。
-
+
 在混合精度训练过程中，经常使用溢出检测功能，MindSpore提供了`FixedLossScaleManager`和`DynamicLossScaleManager`用于溢出检测。一般情况下优化器不需要与溢出检测功能配合使用，但使用`FixedLossScaleManager`进行溢出检测，并且`drop_overflow_update`为False时，优化器需设置`loss_scale`的值，且`loss_scale`值与`FixedLossScaleManager`的相同，如下，
 
 ```python