fix fl format (#80)

chapter_federated_learning/challenge.md

@@ -2,7 +2,7 @@
 
 ### 部署流程
 
-随着端上算力的提升和算法的快速发展，跨设备联邦学习在智能手机或智能设备中的应用越来越广泛。其主要流程如图:numfef:`ch10-federated-learning-flow`所示，可分为如下几步：
+随着端上算力的提升和算法的快速发展，跨设备联邦学习在智能手机或智能设备中的应用越来越广泛。其主要流程如 :numfef:`ch10-federated-learning-flow`所示，可分为如下几步：
 
 1. FL-Client选择：FL-Client主动向FL-Server发起参与联邦学习的请求。FL-Server根据配置筛选出满足条件的FL-Client。选择成功后FL-Server下发模型以及相关联邦学习配置。
 2. FL-Client训练：在终端设备上进行本地模型训练。

chapter_federated_learning/fedavg.md

@@ -1,6 +1,6 @@
 ## 联邦平均算法
 
-和传统分布式学习相比，联邦学习存在训练结点不稳定和通信代价大的难点。这些难点导致了联邦学习无法和传统分布式学习一样：在每次单步训练之后，同步不同训练结点上的权重。为了提高计算通信比并降低频繁通信带来的高能耗，谷歌公司提出了联邦平均算法（Federated Averaging，FedAvg）。图:numfef:`ch10-federated-learning-fedavg`展示了FedAvg的整体流程。在每轮联邦训练过程中，端侧进行多次单步训练。然后云侧聚合多个端侧权重，并取加权平均。
+和传统分布式学习相比，联邦学习存在训练结点不稳定和通信代价大的难点。这些难点导致了联邦学习无法和传统分布式学习一样：在每次单步训练之后，同步不同训练结点上的权重。为了提高计算通信比并降低频繁通信带来的高能耗，谷歌公司提出了联邦平均算法（Federated Averaging，FedAvg）。 :numfef:`ch10-federated-learning-fedavg`展示了FedAvg的整体流程。在每轮联邦训练过程中，端侧进行多次单步训练。然后云侧聚合多个端侧权重，并取加权平均。
 
 ![联邦平均算法](../img/ch10/ch10-federated-learning-fedavg.png)
 

chapter_federated_learning/index.md

@@ -1,6 +1,6 @@
 # 联邦学习系统
 
-在本章中，我们介绍深度学习的一个重要分支——强化学习及其在系统方面的知识。本章的学习目标包括：
+在本章中，我们介绍深度学习的一个重要分支——联邦学习及其在系统方面的知识。本章的学习目标包括：
 
 - 掌握联邦学习基本知识。
 - 掌握联邦系统架构组成部分。

chapter_federated_learning/overview.md

@@ -2,20 +2,10 @@
 
 为了解决“隐私保护”与“数据孤岛”这两大难题，联邦学习（Federated Learning，FL）应运而生。联邦学习的概念最早在2016年被提了出来，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。在联邦学习场景中，每个用户，被定义为客户端这一角色，使用各自的本地数据进行训练、模型更新、权重上传，并在中央服务器的协调下，多个客户端协作建立机器学习模型。
 
-根据数据分布的不同，联邦学习可以分为跨设备（cross-device）与跨组织（cross-silo）联邦学习。一般而言，跨组织联邦学习的用户一般是企业、机构单位级别的，而跨设备联邦学习针对的则是便携式电子设备、移动端设备等。表:numref:`differences-and-connections`展示了两者的区别和联系：
+根据数据分布的不同，联邦学习可以分为跨设备（cross-device）与跨组织（cross-silo）联邦学习。一般而言，跨组织联邦学习的用户一般是企业、机构单位级别的，而跨设备联邦学习针对的则是便携式电子设备、移动端设备等。 :numref:`ch10-federated-learning-different-connection`展示了两者的区别和联系：
 
-|                |                        跨设备联邦学习                        |   跨组织联邦学习   |
-| :------------: | :----------------------------------------------------------: | :----------------: |
-|    组网架构    | 由中央服务器和不同客户端之间的交互，且客户端之间没有直接联系。 |                    |
-|    数据分布    |               不同客户端上的数据非独立同分布。               |                    |
-|    主要瓶颈    |             客户端的计算性能以及中央服务器的内存             |      通信开销      |
-|   客户端来源   |                        不同的终端设备                        |     不同的组织     |
-|   客户端性能   |                             较差                             |        较好        |
-|   客户端规模   |                             较大                             |        较小        |
-| 客户端参与情况 |                     不会参与所有联邦迭代                     | 参与大部分联邦迭代 |
-|   客户端状态   |                            无状态                            |       有状态       |
-|  客户端可靠性  |                          高度不可靠                          |      相对可靠      |
+![跨设备和跨组织联邦学习的区别和联系](../img/ch10/ch10-federated-learning-different-connection.png)
 
-:label:`differences-and-connections`
+:label:`ch10-federated-learning-different-connection`
 
 下面就联邦学习中的要点：系统架构、联邦平均算法、隐私加密算法以及实际部署时的挑战进行详细描述。

chapter_federated_learning/system_architecture.md

@@ -1,6 +1,6 @@
 ## 系统架构
 
-联邦学习系统由调度器模块、服务器模块和客户端模块三个部分组成，其系统架构如图:numref:`ch10-federated-learning-architecture`所示。其中：
+联邦学习系统由调度器模块、服务器模块和客户端模块三个部分组成，其系统架构如 :numref:`ch10-federated-learning-architecture`所示。其中：
 
 - 联邦学习调度器：