!10913 fix url path spelling error and remove unnecessary hyperlink

From: @zhouneng2
Reviewed-by: @linqingke,@liangchenghui
Signed-off-by: @linqingke

model_zoo/official/cv/resnet50_quant/README_CN.md

@@ -1,4 +1,5 @@
 # 目录
+
 <!-- TOC -->
 
 - [目录](#目录)
@@ -6,25 +7,25 @@
     - [模型架构](#模型架构)
     - [数据集](#数据集)
     - [特性](#特性)
-    - [混合精度](#混合精度)
+        - [混合精度](#混合精度)
 - [环境要求](#环境要求)
-    - [脚本说明](#脚本说明)
-    - [脚本和样例代码](#脚本和样例代码)
-        - [脚本参数](#脚本参数)
-    - [训练过程](#训练过程)
-        - [用法](#用法)
-        - [启动](#启动)
-        - [结果](#结果)
-    - [评估过程](#评估过程)
-        - [用法](#用法-1)
-        - [启动](#启动-1)
-        - [结果](#结果-1)
+  - [脚本说明](#脚本说明)
+  - [脚本和样例代码](#脚本和样例代码)
+      - [脚本参数](#脚本参数)
+  - [训练过程](#训练过程)
+    - [用法](#用法)
+    - [启动](#启动)
+    - [结果](#结果)
+  - [评估过程](#评估过程)
+    - [用法](#用法-1)
+    - [启动](#启动-1)
+    - [结果](#结果-1)
 - [模型描述](#模型描述)
-    - [性能](#性能)
-        - [训练性能](#训练性能)
-        - [评估性能](#评估性能)
-    - [随机情况说明](#随机情况说明)
-    - [ModelZoo主页](#modelzoo主页)
+  - [性能](#性能)
+      - [训练性能](#训练性能)
+      - [评估性能](#评估性能)
+  - [随机情况说明](#随机情况说明)
+- [ModelZoo主页](#modelzoo主页)
 
 <!-- /TOC -->
 
@@ -35,6 +36,7 @@ ResNet-50是一个50层的卷积神经网络，可以将ImageNet图像分成1000
 [论文](https://arxiv.org/abs/1512.03385)： Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun."Deep Residual Learning for Image Recognition."： He, Kaiming , et al. "Deep Residual Learning for Image Recognition." IEEE Conference on Computer Vision & Pattern Recognition IEEE Computer Society, 2016.
 
 此为ResNet-50的量化分析网络。
+
 ## 模型架构
 
 ResNet-50总体网络架构如下：
@@ -45,12 +47,12 @@ ResNet-50总体网络架构如下：
 
 使用的数据集：[imagenet](http://www.image-net.org/)
 
--数据集大小：125G，共1000个类、1.2万张彩色图像
-	- 训练集：120G，共1.2万张图像
-	- 测试集：5G，共5万张图像
--数据格式：RGB
-	* 注：数据在src/dataset.py中处理。
+- 数据集大小：125G，共1000个类、1.2万张彩色图像
+    - 训练集：120G，共1.2万张图像
+    - 测试集：5G，共5万张图像
 
+- 数据格式：RGB
+    - 注：数据在src/dataset.py中处理。
 
 ## 特性
 
@@ -62,15 +64,16 @@ ResNet-50总体网络架构如下：
 # 环境要求
 
 - 硬件：昇腾处理器（Ascend）
-  - 使用昇腾处理器来搭建硬件环境。如需试用昇腾处理器，请发送[申请表](https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/file/other/Ascend%20Model%20Zoo%E4%BD%93%E9%AA%8C%E8%B5%84%E6%BA%90%E7%94%B3%E8%AF%B7%E8%A1%A8.docx)至ascend@huawei.com，审核通过即可获得资源。
+    - 使用昇腾处理器来搭建硬件环境。如需试用昇腾处理器，请发送[申请表](https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/file/other/Ascend%20Model%20Zoo%E4%BD%93%E9%AA%8C%E8%B5%84%E6%BA%90%E7%94%B3%E8%AF%B7%E8%A1%A8.docx)至ascend@huawei.com，审核通过即可获得资源。
 
 - 框架
   - [MindSpore](https://www.mindspore.cn/install)
 
--如需查看详情，请参见如下资源：
+- 如需查看详情，请参见如下资源：
+
   - [MindSpore教程](https://www.mindspore.cn/tutorial/training/en/master/index.html)
-  - [MindSpore Python API](https://www.mindspore.cn/doc/api_python/en/master/index.html)
 
+  - [MindSpore Python API](https://www.mindspore.cn/doc/api_python/en/master/index.html)
 
 ## 脚本说明
 
@@ -127,18 +130,19 @@ ResNet-50总体网络架构如下：
 ### 用法
 
 - 晟腾（Ascend）: sh run_train.sh Ascend [RANK_TABLE_FILE] [DATASET_PATH] [PRETRAINED_CKPT_PATH]\（可选）
+
 ### 启动
 
-```
+```python
   # 训练示例
-  Ascend:bash run_train.sh Ascend ~/hccl_4p_0123_x.x.x.json ~/imagenet/train/ 
+  Ascend:bash run_train.sh Ascend ~/hccl_4p_0123_x.x.x.json ~/imagenet/train/  
 ```
 
 ### 结果
 
-训练结果保存在示例路径中。检查点默认保存在`./train/device$i/`，训练日志重定向到`./train/device$i/train.log`，内容如下： 
+训练结果保存在示例路径中。检查点默认保存在`./train/device$i/`，训练日志重定向到`./train/device$i/train.log`，内容如下：
 
-```
+```python
 epoch: 1 step: 5004, loss is 4.8995576
 epoch: 2 step: 5004, loss is 3.9235563
 epoch: 3 step: 5004, loss is 3.833077
@@ -156,7 +160,7 @@ epoch: 5 step: 5004, loss is 3.1978393
 
 ### 启动
 
-```
+```shell
 # 推理示例
   shell:
       Ascend: sh run_infer.sh Ascend ~/imagenet/val/ ~/train/Resnet50-30_5004.ckpt
@@ -168,7 +172,7 @@ epoch: 5 step: 5004, loss is 3.1978393
 
 推理结果保存在示例路径中，可以在`./eval/infer.log`中找到如下结果：
 
-```
+```python
 result:{'acc'：0.76576314102564111}
 ```
 
@@ -193,8 +197,8 @@ result:{'acc'：0.76576314102564111}
 | 准确率 |
 | 总时长 | 16h |
 | 参数(M) | batch_size=32, epoch=30 |
-| 微调检查点 | 
-| 推理模型 | 
+| 微调检查点 |
+| 推理模型 |
 
 ### 评估性能
 
@@ -214,9 +218,8 @@ result:{'acc'：0.76576314102564111}
 
 ## 随机情况说明
 
-[dataset.py](http://dataset.py/)中设置了“create_dataset”函数内的种子，同时还使用了train.py中的随机种子
+dataset.py中设置了“create_dataset”函数内的种子，同时还使用了train.py中的随机种子。
 
 ## ModelZoo主页
 
 请浏览官网[主页](https://gitee.com/mindspore/mindspore/tree/master/model_zoo)。
-