Update: code link

Author: halolah

README.md

@@ -25,6 +25,8 @@
 
 如果你对 Datawhale 很感兴趣并想要发起一个新的项目，欢迎查看 [Datawhale 贡献指南](https://github.com/datawhalechina/DOPMC#%E4%B8%BA-datawhale-%E5%81%9A%E5%87%BA%E8%B4%A1%E7%8C%AE)。
 
+如果对于小模型压缩的原理和基础感兴趣，可以参考Datawhale开源项目[Awesome-Compression](https://github.com/datawhalechina/awesome-compression)
+
 ## 贡献者名单
 
 | 姓名 | 职责 | 简介 | 视频 |

docs/chapter2/chapter2_2.md

@@ -51,7 +51,7 @@ MiniLLM的论文中提出了另一个新颖的视角——逆向KL其实可以
 - 和硬损失的交叉熵
 - 和软损失的KL散度
 
-在code/BabyLlama/3.distill.ipynb中可以看到它的损失函数：
+在[code/BabyLlama/3.distill.ipynb](https://github.com/datawhalechina/llm-deploy/blob/main/docs/chapter2/code/BabyLlama/3.distill.ipynb)中可以看到它的损失函数：
 ```python
 def compute_loss(self, model, inputs, return_outputs=False):
         # 硬损失，即和ground truth的交叉熵

docs/chapter2/chapter2_3.md

@@ -131,7 +131,7 @@ $$
 $$
 
 ## 1.5 实践
-参见code/ICL。
+参见[code/ICL](https://github.com/datawhalechina/llm-deploy/blob/main/docs/chapter2/code/ICL/ICL_distill.ipynb)。
 
 ## 1.6 改进方向
 模型上下文学习的性能和上下文中的例子质量紧密相关，所以有人研究专门设计了一个例子检索器，检索高质量的示例[6]。
@@ -209,7 +209,7 @@ $$
 ## 步骤3：实践
 正式的微调Loss函数是交叉熵损失。
 
-参见code/CoT.
+参见[code/CoT](https://github.com/datawhalechina/llm-deploy/blob/main/docs/chapter2/code/CoT/CoT_distill.ipynb).