diff --git "a/Ascend-PyTorch\347\246\273\347\272\277\346\216\250\347\220\206\346\214\207\345\257\274/PyTorch\347\246\273\347\272\277\346\216\250\347\220\206-\347\246\273\347\272\277\346\216\250\347\220\206\346\214\207\345\257\274.md" "b/Ascend-PyTorch\347\246\273\347\272\277\346\216\250\347\220\206\346\214\207\345\257\274/PyTorch\347\246\273\347\272\277\346\216\250\347\220\206-\347\246\273\347\272\277\346\216\250\347\220\206\346\214\207\345\257\274.md"
index 68341b702b860b4682d71c5e6cbe7215c551072d..47b209bf6761955329a567c4fc723f29eab04081 100644
--- "a/Ascend-PyTorch\347\246\273\347\272\277\346\216\250\347\220\206\346\214\207\345\257\274/PyTorch\347\246\273\347\272\277\346\216\250\347\220\206-\347\246\273\347\272\277\346\216\250\347\220\206\346\214\207\345\257\274.md"
+++ "b/Ascend-PyTorch\347\246\273\347\272\277\346\216\250\347\220\206\346\214\207\345\257\274/PyTorch\347\246\273\347\272\277\346\216\250\347\220\206-\347\246\273\347\272\277\346\216\250\347\220\206\346\214\207\345\257\274.md"
@@ -31,17 +31,17 @@
 
 - Ascend PyTorch模型离线推理迁移
    
-基于开源PyTorch框架的开源模型代码加载npu 910训练的pth权重，在npu 310上进行离线推理，要求精度与pth权重精度一致，性能超越gpu t4  
+    基于开源PyTorch框架的开源模型代码加载npu 910训练的pth权重，在npu 310上进行离线推理，要求精度与pth权重精度一致，性能超越gpu t4  
 ![](https://gitee.com/wangjiangben_hw/ascend-pytorch-crowdintelligence-doc/raw/master/Ascend-PyTorch%E7%A6%BB%E7%BA%BF%E6%8E%A8%E7%90%86%E6%8C%87%E5%AF%BC/images/Ascend_PyTorch_offlineinfer_migrate.png)   
 
 - Ascend PyTorch模型离线推理流程
 
-首先在github上找到开源PyTorch框架实现的引用多包含预训练的模型代码仓，参考开源模型加载预训练模型的代码加载开源pth权重文件在cpu上导出onnx模型文件，优先使用910训练好的pth权重文件，如果使用910权重需要把训练适配的影响精度的代码移植到开源模型代码。  
-然后在装有310卡与CANN软件的服务器环境使用Ascend atc模型转换工具将onnx模型转换为om模型文件。  
-参考开源模型代码数据测试集预处理方法进行预处理。  
-在310服务器上使用Ascend benchmark工具执行om模型的离线推理。  
-参考开源模型代码数据后处理部分对om模型输出进行后处理，统计出精度。  
-最后Ascend benchmark工具也会测试出om模型推理性能，对性能不达标的om模型，使用Ascend profiling工具分析并进行调优。  
+    - 首先在github上找到开源PyTorch框架实现的引用多包含预训练的模型代码仓，参考开源模型加载预训练模型的代码加载开源pth权重文件在cpu上导出onnx模型文件，优先使用910训练好的pth权重文件，如果使用910权重需要把训练适配的影响精度的代码移植到开源模型代码。  
+    - 然后在装有310卡与CANN软件的服务器环境使用Ascend atc模型转换工具将onnx模型转换为om模型文件。  
+    - 参考开源模型代码数据测试集预处理方法进行预处理。  
+    - 在310服务器上使用Ascend benchmark工具执行om模型的离线推理。  
+    - 参考开源模型代码数据后处理部分对om模型输出进行后处理，统计出精度。  
+    - 最后Ascend benchmark工具也会测试出om模型推理性能，对性能不达标的om模型，使用Ascend profiling工具分析并进行调优。  
   
 ![](https://gitee.com/wangjiangben_hw/ascend-pytorch-crowdintelligence-doc/raw/master/Ascend-PyTorch%E7%A6%BB%E7%BA%BF%E6%8E%A8%E7%90%86%E6%8C%87%E5%AF%BC/images/Ascend_PyTorch_offlineinfer_process.png)