fix #264 (#269)

Co-authored-by: Dalong <39682259+eedalong@users.noreply.github.com>

chapter_recommender_system/overview.md

@@ -5,7 +5,7 @@
 ### 推荐模型
 基于深度学习的推荐模型在过去几年受到了学术界和工业界的高度关注，得到了快速发展。目前主流的推荐模型 :cite:`10.1145/2988450.2988454,10.1145/3124749.3124754,ijcai2017-239,naumov2019deep`的基本结构可以总结如图 :numref:`ch10-recommendation-models`。
 
-![推荐模型的基本结构](../img/ch10/ch10-recommendation-models.svg)
+![推荐模型的基本结构](../img/ch10/ch10-recommendation-models.png)
 :width:`800px`
 :label:`ch10-recommendation-models`
 
@@ -25,7 +25,7 @@ Wide & Deep模型对输入数据进行两部分处理：Wide部分和Deep部分
 
 在实际的生产环境中，除了推荐模型本身，推荐系统通常包括：数据收集、数据处理、数据存储、模型训练、模型存储、模型评估、推理服务等多个子系统。如图 :numref:`ch10-abstract-recommendation-systems`所示，这些子系统之间分工协作、紧密配合，构成一个从用户反馈、到模型更新、再到新推荐结果生成的闭环。下一小节中将以英伟达（NVIDIA）公司的Merlin开源框架 :cite:`Merlin`为例，概括介绍推荐系统流水线上的组件，并重点介绍模型训练、推理子系统的结构。
 
-![推荐系统的基本组件](../img/ch10/ch10-abstract-recommendation-systems.svg)
+![推荐系统的基本组件](../img/ch10/ch10-abstract-recommendation-systems.png)
 :width:`800px`
 :label:`ch10-abstract-recommendation-systems`
 

chapter_recommender_system/system_architecture.md

@@ -13,7 +13,7 @@ Merlin是英伟达公司开发的一个开源推荐系统框架，帮助使用
 
 在工业界，为了提升系统在发生故障的情况下的可用性，以上介绍的各个组件在实际中部署中都应该具备基本的容灾和故障恢复能力。以推理服务为例，在线服务中的深度学习推荐模型通常都采用多副本分布式部署。同一个模型的多个副本通常会被部署在至少两个不同的地理区域内的多个数据中心中，如 :numref:`ch10-recommendation-systems`，以应对大面积停电或者网络中断而导致整个地区的所有副本都不可用。除了容错方面的考虑，部署多个副本还有其他几点优势。首先，将模型部署在靠近用户的云服务器上可以提升响应速度。其次，部署多份副本也可以拓展模型推理服务的吞吐率。
 
-![推荐系统的分布式架构](../img/ch10/ch10-recommendation-systems.svg)
+![推荐系统的分布式架构](../img/ch10/ch10-recommendation-systems.png)
 :width:`800px`
 :label:`ch10-recommendation-systems`