update test_lite_arm_cpp.md

test_tipc/docs/test_lite_arm_cpp.md

@@ -10,13 +10,13 @@ Lite\_arm\_cpp预测功能测试的主程序为`test_lite_arm_cpp.sh`，可以
 - 模型类型：包括正常模型（FP32）和量化模型（INT8）
 - batch-size：包括1和4
 - threads：包括1和4
-- predictor数量：包括多predictor预测和单predictor预测
+- predictor数量：包括单predictor预测和多predictor预测
 - 预测库来源：包括下载方式和编译方式
 - 测试硬件：ARM\_CPU/ARM\_GPU_OPENCL
 
 | 模型类型 | batch-size | threads | predictor数量 | 预测库来源 | 测试硬件 |
 |  :----:   |  :----:  | :----:  |  :----:  |  :----:  |  :----:  |
-| 正常模型/量化模型 | 1 | 1/4 |  1/2 | 下载方式 | ARM\_CPU/ARM\_GPU_OPENCL |
+| 正常模型/量化模型 | 1 | 1/4 |  单/多 | 下载方式 | ARM\_CPU/ARM\_GPU_OPENCL |
 
 
 ## 2. 测试流程
@@ -26,7 +26,7 @@ Lite\_arm\_cpp预测功能测试的主程序为`test_lite_arm_cpp.sh`，可以
 
 先运行`prepare_lite_cpp.sh`，运行后会在当前路径下生成`test_lite.tar`，其中包含了测试数据、测试模型和用于预测的可执行文件。将`test_lite.tar`上传到被测试的手机上，在手机的终端解压该文件，进入`test_lite`目录中，然后运行`test_lite_arm_cpp.sh`进行测试，最终在`test_lite/output`目录下生成`lite_*.log`后缀的日志文件。
 
-#### 2.1.1 测试ARM\_CPU
+#### 2.1.1 基于ARM\_CPU测试
 
 ```shell
 
@@ -38,7 +38,7 @@ bash test_lite_arm_cpp.sh model_linux_gpu_normal_normal_lite_cpp_arm_cpu.txt
 
 ```  
 
-#### 2.1.2 ARM\_GPU\_OPENCL
+#### 2.1.2 基于ARM\_GPU\_OPENCL测试
 
 ```shell
 
@@ -55,9 +55,9 @@ bash test_lite_arm_cpp.sh model_linux_gpu_normal_normal_lite_cpp_arm_gpu_opencl.
 
 1.由于运行该项目需要bash等命令，传统的adb方式不能很好的安装。所以此处推荐通在手机上开启虚拟终端的方式连接电脑，连接方式可以参考[安卓手机termux连接电脑](./termux_for_android.md)。
 
-2.如果测试文本检测和识别完整的pipeline，在执行`prepare_lite_cpp.sh`时，配置文件需替换为`test_tipc/configs/ppocr_system_mobile/model_linux_gpu_normal_normal_lite_cpp_arm_cpu.tx`。在手机端测试阶段，配置文件同样修改为该文件。
+2.如果测试文本检测和识别完整的pipeline，在执行`prepare_lite_cpp.sh`时，配置文件需替换为`test_tipc/configs/ppocr_system_mobile/model_linux_gpu_normal_normal_lite_cpp_arm_cpu.txt`。在手机端测试阶段，配置文件同样修改为该文件。
 
-#### 运行结果
+### 2.2 运行结果
 
 各测试的运行情况会打印在 `./output/` 中：
 运行成功时会输出：