modify doc

examples/community/face_adversarial_attack/README.md

@@ -49,7 +49,7 @@ def get_model():
 方法二:
 
 ```text
-利用MindSpore代码仓中的 <https://gitee.com/mindspore/models/blob/master/research/cv/FaceRecognition/eval.py> 的get_model函数加载模型
+利用MindSpore代码仓中的 <https://gitee.com/mindspore/models/blob/master/official/cv/FaceRecognition/eval.py> 的get_model函数加载模型
 ```
 
 ## 训练过程

examples/natural_robustness/ocr_evaluate/cnn_ctc/README.md

@@ -468,7 +468,7 @@ accuracy:  0.8533
 | Speed                      | 1pc: 250 ms/step;  8pcs: 260 ms/step                          |
 | Total time                 | 1pc: 15 hours;  8pcs: 1.92 hours                          |
 | Parameters (M)             | 177                                                         |
-| Scripts                    | <https://gitee.com/mindspore/models/tree/master/official/cv/cnnctc> |
+| Scripts                    | <https://gitee.com/mindspore/models/tree/master/research/cv/cnnctc> |
 
 | Parameters                 | CNNCTC                                                   |
 | -------------------------- | ----------------------------------------------------------- |
@@ -483,7 +483,7 @@ accuracy:  0.8533
 | Speed                      | 1pc: 1180 ms/step;  8pcs: 1180 ms/step                          |
 | Total time                 | 1pc: 62.9 hours;  8pcs: 8.67 hours                          |
 | Parameters (M)             | 177                                                         |
-| Scripts                    | <https://gitee.com/mindspore/models/tree/master/official/cv/cnnctc> |
+| Scripts                    | <https://gitee.com/mindspore/models/tree/master/research/cv/cnnctc> |
 
 ### Evaluation Performance
 

examples/natural_robustness/ocr_evaluate/cnn_ctc/README_CN.md

@@ -415,7 +415,7 @@ bash run_infer_310.sh [MINDIR_PATH] [DATA_PATH] [DVPP] [DEVICE_ID]
 | 速度 | 1卡：300毫秒/步；8卡：310毫秒/步 |
 | 总时间 | 1卡：18小时；8卡：2.3小时 |
 | 参数(M) | 177 |
-| 脚本 | <https://gitee.com/mindspore/models/tree/master/official/cv/cnnctc> |
+| 脚本 | <https://gitee.com/mindspore/models/tree/master/research/cv/cnnctc> |
 
 ### 评估性能
 

examples/natural_robustness/ocr_evaluate/对OCR模型CNN-CTC的鲁棒性评测.md

@@ -34,7 +34,7 @@
 
 ### 脚本参数
 
-在`default_config.yaml`中可以同时配置训练参数、推理参数、鲁棒性评测参数。这里我们重点关注在评测过程中使用到的参数，以及需要用户配置的参数，其余参数说明参考[CNN-CTC教程](https://gitee.com/mindspore/models/tree/master/official/cv/cnnctc)。
+在`default_config.yaml`中可以同时配置训练参数、推理参数、鲁棒性评测参数。这里我们重点关注在评测过程中使用到的参数，以及需要用户配置的参数，其余参数说明参考[CNN-CTC教程](https://gitee.com/mindspore/models/tree/master/research/cv/cnnctc)。
 
 训练参数：
 
@@ -51,11 +51,11 @@
 
 ### 模型与数据
 
-数据处理与模型训练参考[CNN-CTC教程](https://gitee.com/mindspore/models/tree/master/official/cv/cnnctc)。评测任务需基于该教程获得预处理后的数据集和checkpoint模型文件。
+数据处理与模型训练参考[CNN-CTC教程](https://gitee.com/mindspore/models/tree/master/research/cv/cnnctc)。评测任务需基于该教程获得预处理后的数据集和checkpoint模型文件。
 
 #### 模型
 
-被评测的模型为基于MindSpore实现的OCR模型CNN-CTC，改模型主要针对场景文字识别（Scene Text Recognition）任务，用CNN模型提取特征，用CTC（Connectionist temporal classification）预测输出序列。具体说明和实现参考[CNN-CTC](https://gitee.com/mindspore/models/tree/master/official/cv/cnnctc)。
+被评测的模型为基于MindSpore实现的OCR模型CNN-CTC，改模型主要针对场景文字识别（Scene Text Recognition）任务，用CNN模型提取特征，用CTC（Connectionist temporal classification）预测输出序列。具体说明和实现参考[CNN-CTC](https://gitee.com/mindspore/models/tree/master/research/cv/cnnctc)。
 
 [论文](https://arxiv.org/abs/1904.01906)： J. Baek, G. Kim, J. Lee, S. Park, D. Han, S. Yun, S. J. Oh, and H. Lee, “What is wrong with scene text recognition model comparisons? dataset and model analysis,” ArXiv, vol. abs/1904.01906, 2019.