[Docs] Fix malformed hyperlinks in RST documents (#7874)

Author: Noai-oss

docs/api/paddle/distributed/fleet/DistributedStrategy_cn.rst

@@ -232,7 +232,7 @@ COPY-FROM: paddle.distributed.fleet.DistributedStrategy.amp_configs
 dgc
 '''''''''
 
-是否启用深度梯度压缩训练。更多信息请参考 `Deep Gradient Compression https://arxiv.org/abs/1712.01887`_ 。默认值：False
+是否启用深度梯度压缩训练。更多信息请参考 `Deep Gradient Compression <https://arxiv.org/abs/1712.01887>`_ 。默认值：False
 
 **代码示例**
 
@@ -267,7 +267,7 @@ COPY-FROM: paddle.distributed.fleet.DistributedStrategy.fp16_allreduce
 sharding
 '''''''''
 
-是否开启 sharding 策略。sharding 实现了 `ZeRO: Memory Optimizations Toward Training Trillion Parameter Models https://arxiv.org/abs/1910.02054`_
+是否开启 sharding 策略。sharding 实现了 `ZeRO: Memory Optimizations Toward Training Trillion Parameter Models <https://arxiv.org/abs/1910.02054>`_
 中 ZeRO-DP 类似的功能，其通过将模型的参数和优化器状态在 ranks 间分片来支持更大模型的训练。
 
 目前在混合并行(Hybrid parallelism) 模式下，sharding config 作为混合并行设置的统一入口来设置混合并行相关参数。

docs/guides/06_distributed_training/cluster_quick_start_fl_ps_cn.rst

@@ -15,11 +15,11 @@
 
 本节将采用推荐领域非常经典的模型 NCF 为例，介绍如何使用飞桨分布式完成 FL-PS 训练任务。
 
-FL-PS 训练基于飞桨静态图，在这之前，请用户了解下 `NCF 模型的单机静态图训练示例以及本地单机模拟分布式的使用方法 https://github.com/PaddlePaddle/PaddleRec/tree/master/models/recall/ncf`_
+FL-PS 训练基于飞桨静态图，在这之前，请用户了解下 `NCF 模型的单机静态图训练示例以及本地单机模拟分布式的使用方法 <https://github.com/PaddlePaddle/PaddleRec/tree/master/models/recall/ncf>`_
 
 在传统 PS 基础上，通过生成异构数据集、开启中心调度功能（Coordinator）进行 Client 选择、自定义配置 Client 端私有稀疏参数和 Server 端公共稀疏参数等手段，提升 FL-PS 的训练精度和效率。
 
-更多使用细节请阅读 `FL-PS 帮助文档 https://github.com/PaddlePaddle/PaddleRec/blob/master/models/recall/ncf/fl_ps_help.md`_
+更多使用细节请阅读 `FL-PS 帮助文档 <https://github.com/PaddlePaddle/PaddleRec/blob/master/models/recall/ncf/fl_ps_help.md>`_
 
 本功能依赖 PaddlePaddle2.4 及以上版本的飞桨开源框架，或者用户从 PaddlePaddle develop 分支进行源码编译。
 
@@ -33,13 +33,13 @@ FL-PS 训练主要包括如下几个部分：
     3. 加载模型
     4. 开始训练
 
-用户可从 `FL-PS 训练脚本 https://github.com/PaddlePaddle/PaddleRec/blob/master/tools/static_fl_trainer.py`_ 入手梳理详细流程。
+用户可从 `FL-PS 训练脚本 <https://github.com/PaddlePaddle/PaddleRec/blob/master/tools/static_fl_trainer.py>`_ 入手梳理详细流程。
 
 1.2.1 准备样本
 """"""""""""
 
 * 在 PaddleRec/datasets/movielens_pinterest_NCF 目录中执行: sh run.sh，获取初步处理过的训练数据（big_train）和测试数据（test_data）
-* 从 `MovieLens 官网 https://grouplens.org/datasets/movielens/1m/`_ 下载 ml-1m 数据集，获取 users.dat 文件（可自定义存储路径，但需要和 gen_heter_data.py 脚本中路径保持一致），后续用于构造异构数据集（按 zipcode 的首位数字划分）
+* 从 `MovieLens 官网 <https://grouplens.org/datasets/movielens/1m/>`_ 下载 ml-1m 数据集，获取 users.dat 文件（可自定义存储路径，但需要和 gen_heter_data.py 脚本中路径保持一致），后续用于构造异构数据集（按 zipcode 的首位数字划分）
 * 在 PaddleRec/datasets/movielens_pinterest_NCF/fl_data 中新建目录 fl_test_data 和 fl_train_data，用于存放每个 client 上的训练数据集和测试数据集
 * 在 PaddleRec/datasets/movielens_pinterest_NCF/fl_data 目录中执行: python gen_heter_data.py，生成 10 份训练数据
     * 总样本数 4970844（按 1:4 补充负样本）：0 - 518095，1 - 520165，2 - 373605，3 - 315550，4 - 483779，5 - 495635，6 - 402810，7 - 354590，8 - 262710，9 - 1243905
@@ -231,15 +231,15 @@ FL-PS 训练主要包括如下几个部分：
 1.3.2 Coordinator 模块
 """"""""""""
 
-用户可以基于文件 `coordinator.py https://github.com/PaddlePaddle/Paddle/blob/develop/python/paddle/distributed/ps/coordinator.py`_ 中定义的相关基类进行继承开发，用户自定义的各种 Client 选择算法均可以用 python 代码实现，从类 ``ClientSelectorBase`` 继承。
+用户可以基于文件 `coordinator.py <https://github.com/PaddlePaddle/Paddle/blob/develop/python/paddle/distributed/ps/coordinator.py>`_ 中定义的相关基类进行继承开发，用户自定义的各种 Client 选择算法均可以用 python 代码实现，从类 ``ClientSelectorBase`` 继承。
 
 1.3.3 构造自定义异构数据集
 """"""""""""
 
 参考脚本 ``gen_heter_data.py`` 写法。
 
 
-备注：本教程主要介绍了横向联邦 PS 的使用方法，关于纵向联邦 PS 的使用，请参考 `test_fl_ps.py https://github.com/PaddlePaddle/Paddle/blob/develop/test/ps/test_fl_ps.py`_ ，使用 1.3.1 节的编译命令，再执行下述命令即可
+备注：本教程主要介绍了横向联邦 PS 的使用方法，关于纵向联邦 PS 的使用，请参考 `test_fl_ps.py <https://github.com/PaddlePaddle/Paddle/blob/develop/test/ps/test_fl_ps.py>`_ ，使用 1.3.1 节的编译命令，再执行下述命令即可
 
 .. code-block:: bash
     ctest -R test_fl_ps -V

docs/hardware_support/iluvatar_gpu/index_cn.rst

@@ -4,7 +4,7 @@
 天数 GPGPU 芯片
 ####################
 
-天数 BI150 加速卡（ `了解天数智芯 https://www.iluvatar.com/`_ ）是基于天数智芯自研通用 GPU 的训推一体加速卡，具备广通用性、强灵活性、高性价比的显著优势，支持市场主流生态，可广泛应用于主流大模型的预训练、微调以及推理任务，以及通用计算、新算法研究等场景，赋能 AI 智能社会。
+天数 BI150 加速卡（ `了解天数智芯 <https://www.iluvatar.com/>`_ ）是基于天数智芯自研通用 GPU 的训推一体加速卡，具备广通用性、强灵活性、高性价比的显著优势，支持市场主流生态，可广泛应用于主流大模型的预训练、微调以及推理任务，以及通用计算、新算法研究等场景，赋能 AI 智能社会。
 
 飞桨框架支持基于天数 GPGPU 芯片的训练和推理，请参考以下内容快速体验：