Bootstrapping tutorials in documentation (#4522)

docs/zh_CN/Compression/Overview.rst → docs/source/Compression/Overview_zh.rst

 .. 37577199d91c137b881450f825f38fa2
 
 使用 NNI 进行模型压缩
-====================
+==========================
 
 .. contents::
 
-目前的大型神经网络较之以往具有更多的层和节点，而如何降低其存储和计算成本是一个重要的话题，尤其是针对于那些需要实时响应的应用程序。
-模型压缩的相关方法可以用于解决这些问题。
+目前的大型神经网络较之以往具有更多的层和节点，而如何降低其存储和计算成本是一个重要的话题，尤其是针对于那些需要实时响应的应用程序。模型压缩的相关方法可以用于解决这些问题。
 
 NNI 的模型压缩工具包，提供了最先进的模型压缩算法和策略，帮助压缩并加速模型。NNI 模型压缩支持的主要功能有：
 

docs/en_US/Compression/QuickStart.rst → docs/source/Compression/QuickStart.rst

 Quick Start
 ===========
 
-..  toctree::
-    :hidden:
+.. code-block::
 
-    Notebook Example <compression_pipeline_example>
+   ..  toctree::
+      :hidden:
+
+      Notebook Example <compression_pipeline_example>
 
 
 Model compression usually consists of three stages: 1) pre-training a model, 2) compress the model, 3) fine-tuning the model. NNI mainly focuses on the second stage and provides very simple APIs for compressing a model. Follow this guide for a quick look at how easy it is to use NNI to compress a model. 
 
-A `compression pipeline example <./compression_pipeline_example.rst>`__ with Jupyter notebook is supported and refer the code :githublink:`here <examples/notebooks/compression_pipeline_example.ipynb>`.
+.. A `compression pipeline example <./compression_pipeline_example.rst>`__ with Jupyter notebook is supported and refer the code :githublink:`here <examples/notebooks/compression_pipeline_example.ipynb>`.
 
 Model Pruning
 -------------

docs/zh_CN/Compression/QuickStart.rst → docs/source/Compression/QuickStart_zh.rst

-.. a67033195635ebcd510103eab8703b6a
+.. 98b0285bbfe1a01c90b9ba6a9b0d6caa
 
 快速入门
 ===========
 
-..  toctree::
-    :hidden:
+.. code-block::
 
-    Notebook Example <compression_pipeline_example>
+   ..  toctree::
+      :hidden:
 
+      Notebook Example <compression_pipeline_example>
 
-模型压缩通常包括三个阶段：1）预训练模型，2）压缩模型，3）微调模型。 NNI 主要关注于第二阶段，并为模型压缩提供易于使用的 API。
-遵循本指南，您将快速了解如何使用 NNI 来压缩模型。
-更深入地了解 NNI 中的模型压缩模块，请查看 `Tutorial <./Tutorial.rst>`__。
-提供了一个在 Jupyter notebook 中进行完整的模型压缩流程的 `示例 <./compression_pipeline_example.rst>`__，参考 :githublink:`代码 <examples/notebooks/compression_pipeline_example.ipynb>`。
+
+模型压缩通常包括三个阶段：1）预训练模型，2）压缩模型，3）微调模型。 NNI 主要关注于第二阶段，并为模型压缩提供易于使用的 API。遵循本指南，您将快速了解如何使用 NNI 来压缩模型。更深入地了解 NNI 中的模型压缩模块，请查看 `Tutorial <./Tutorial.rst>`__。
+
+.. 提供了一个在 Jupyter notebook 中进行完整的模型压缩流程的 `示例 <./compression_pipeline_example.rst>`__，参考 :githublink:`代码 <examples/notebooks/compression_pipeline_example.ipynb>`。
 
 模型剪枝
 -------------
@@ -31,14 +32,12 @@ Step1. 编写配置
        'op_types': ['default'],
    }]
 
-配置说明在 `这里 <./Tutorial.rst#specify-the-configuration>`__。注意，不同的 Pruner 可能有自定义的配置字段。
-详情参考每个 Pruner 的 `具体用法 <./Pruner.rst>`__，来调整相应的配置。
+配置说明在 `这里 <./Tutorial.rst#specify-the-configuration>`__。注意，不同的 Pruner 可能有自定义的配置字段。详情参考每个 Pruner 的 `具体用法 <./Pruner.rst>`__，来调整相应的配置。
 
 Step2. 选择 Pruner 来压缩模型
 ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
 
-首先，使用模型来初始化 Pruner，并将配置作为参数传入，然后调用 ``compress()`` 来压缩模型。
-请注意，有些算法可能会检查训练过程中的梯度，因此我们可能会定义一组 trainer, optimizer, criterion 并传递给 Pruner。
+首先，使用模型来初始化 Pruner，并将配置作为参数传入，然后调用 ``compress()`` 来压缩模型。请注意，有些算法可能会检查训练过程中的梯度，因此我们可能会定义一组 trainer, optimizer, criterion 并传递给 Pruner。
 
 .. code-block:: python
 
@@ -47,9 +46,7 @@ Step2. 选择 Pruner 来压缩模型
    pruner = LevelPruner(model, config_list)
    model = pruner.compress()
 
-然后，使用正常的训练方法来训练模型 （如，SGD），剪枝在训练过程中是透明的。
-有些 Pruner（如 L1FilterPruner、FPGMPruner）在开始时修剪一次，下面的训练可以看作是微调。
-有些 Pruner（例如AGPPruner）会迭代的对模型剪枝，在训练过程中逐步修改掩码。
+然后，使用正常的训练方法来训练模型 （如，SGD），剪枝在训练过程中是透明的。有些 Pruner（如 L1FilterPruner、FPGMPruner）在开始时修剪一次，下面的训练可以看作是微调。有些 Pruner（例如AGPPruner）会迭代的对模型剪枝，在训练过程中逐步修改掩码。
 
 如果使用 Pruner 进行迭代剪枝，或者剪枝过程中需要训练或者推理，则需要将 finetune 逻辑传到 Pruner 中。
 
@@ -62,7 +59,6 @@ Step2. 选择 Pruner 来压缩模型
    pruner = AGPPruner(model, config_list, optimizer, trainer, criterion, num_iterations=10, epochs_per_iteration=1, pruning_algorithm='level')
    model = pruner.compress()
 
-
 Step3. 导出压缩结果
 ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^