Update sf.md

README.md

@@ -14,7 +14,7 @@ BERT的主模型是BERT中最重要组件，BERT通过预训练（pre-training
 
 如图：
 
-![image](https://developer.hpccube.com/codes/modelzoo/bert4torch/-/raw/master/doc/model.png?inline=false)
+![image](https://developer.sourcefind.cn/codes/modelzoo/bert4torch/-/raw/master/doc/model.png?inline=false)
 
 其中
 
@@ -30,7 +30,7 @@ BERT模型是基于Transformer模型的，但是与原始的Transformer模型不
 
 - 预训练(pre-training)：先对大量语料进行无监督学习；
 - 微调(Fine-tuning)：再对少量标注语料进行监督学习，提升模型针对特定任务的表现能力。
-![image](https://developer.hpccube.com/codes/modelzoo/bert4torch/-/raw/master/doc/architecture.png?inline=false)
+![image](https://developer.sourcefind.cn/codes/modelzoo/bert4torch/-/raw/master/doc/architecture.png?inline=false)
 
 ## 环境配置
 
@@ -61,7 +61,7 @@ python3 setup.py install
 ```
 1.创建conda虚拟环境：
 conda create -n bert4torch python=3.10
-2.关于本项目DCU显卡所需的工具包、深度学习库等均可从光合开发者社区下载安装：https://developer.hpccube.com/tool/
+2.关于本项目DCU显卡所需的工具包、深度学习库等均可从光合开发者社区下载安装：https://developer.sourcefind.cn/tool/
 DTK驱动：dtk24.04.1
 python：python3.10
 torch:2.1.0
@@ -115,7 +115,7 @@ cd examples/sequence_labeling/
 ./multi_train.sh
 ```
 ## result
-![image](https://developer.hpccube.com/codes/modelzoo/bert4torch/-/raw/master/doc/result.png?inline=false)
+![image](https://developer.sourcefind.cn/codes/modelzoo/bert4torch/-/raw/master/doc/result.png?inline=false)
 ### 精度
 
 | 卡数 | 类型 | batch_size | f1     | p      | r      |
@@ -140,7 +140,7 @@ cd examples/sequence_labeling/
 
 ## 源码仓库及问题反馈
 
-- https://developer.hpccube.com/codes/modelzoo/bert4torch
+- https://developer.sourcefind.cn/codes/modelzoo/bert4torch
 ## 参考资料
 - https://github.com/Tongjilibo/bert4torch