Update setfit-cn.md

Update link to the images.

setfit-cn.md

@@ -4,6 +4,13 @@
 <p align="center">
     <img src="assets/103_setfit/setfit_curves.png" width=500>
 </p>
+
+<div style="width:500px; margin:0 auto;">
+
+![](assets/103_setfit/setfit_curves.png)
+
+</div>
+
 <p align="center">
     <em > 与标准微调相比，SetFit 能更高效地利用训练样本，同时对噪声也更鲁棒。</em>
 </p>
@@ -26,12 +33,13 @@ HuggingFace 非常高兴向大家介绍 SetFit：一个基于 [Sentence Transfor
 
 在设计 SetFit 时，我们始终牢记高效、简单两个原则。SetFit 主要包含两个阶段：首先在少量标注样例（典型值是每类 8 个或 16 个样例）上微调一个 Sentence Transformer 模型。然后，用微调得到的 Sentence Tranformer 的模型生成文本的嵌入（embedding），并用这些嵌入训练一个分类头（classification head）。
 
-<p align="center">
-    <img src="assets/103_setfit/setfit_diagram_process.png" width=700>
-</p>
-<p align="center">
+<div style="width: 700px; margin:0 auto;">
+
+![](assets/103_setfit/setfit_diagram_process.png)
+</div>
+<div style="margin:0 auto;">
     <em>SetFit 的两阶段训练过程 </em>
-</p>
+</div>
 
 SetFit 利用 Sentence Transformer 的能力去生成基于句对（paired sentences）的稠密嵌入。在第一步微调阶段，它使用对比训练（contrastive training）来最大化利用有限的标注数据。首先，通过选择类内（in-class）和类外（out-class）句子来构造正句对和负句对，然后在这些句对（或三元组（triplets））上训练 Sentence Transformer 模型并生成每个样本的稠密向量。第二步，根据每个样本的嵌入向量和各自的类标签，训练分类头。推理时，未见过的样本通过微调后的 Sentence Transformer 并生成嵌入，生成的嵌入随后被送入分类头并输出类标签的预测。
 
@@ -55,18 +63,23 @@ SetFit 利用 Sentence Transformer 的能力去生成基于句对（paired sente
 
 在其他的数据集上，SeiFit 在各种各样的任务中也展示出了鲁棒的性能。如下图所示，每类仅需 8 个样本，其典型性能就超越了 PERFECT、ADAPET 以及微调后的原始 transformer 模型。SetFit 还取得了与 T-Few 3B 相当的结果，尽管它无需提示且模型小了 27 倍。
 
-<p align="center">
-    <img src="assets/103_setfit/three-tasks.png" width=700>
-</p>
-<p align="center">
+<div style="margin:0 auto; width:700px">
+
+![](assets/103_setfit/three-tasks.png)
+
+</div>
+<div style="margin:0 auto;">
     <em > 在 3 个分类数据集上比较 SetFit 与其他方法的性能 </em>
-</p>
+</div>
 
 ## 快速训练与推理
 
-<p align="center">
-    <img src="assets/103_setfit/bars.png" width=400>
-</p>
+<div style="margin:0 auto; width:400px">
+
+![](assets/103_setfit/bars.png)
+
+</div>
+
 <p align="center">
     在每类 8 个标注样本的条件下，比较 T-Few 3B 和 SetFit（MPNet）的训练成本和平均性能。
 </p>