refine quickstart doc

docs/zh/quickstart.md

@@ -163,10 +163,10 @@ ppsci INFO: [Visualize][Epoch 0] Finished visualization.
 
 可以看到场景一的监督训练方式能较好地解决函数拟合问题，但一般情况下我们是无法得知拟合函数本身的解析式的，因此也无法直接构造因变量的监督数据。
 
-虽然无法求出解析式直接构造监督数据，但往往可以利用相关数学知识，推导出目标拟合函数符合的某种数学关系，以训练模型以满足这种数学关系的方式，达到“间接”优化模型的目的。
+虽然无法求出解析式直接构造监督数据，但往往可以利用相关数学知识，推导出目标拟合函数符合的某种数学关系，以训练模型以满足这种数学关系的方式，达到以“间接监督”的方式优化模型的目的。
 
 假设我们不再使用 $u=sin(x)$ 这一先验公式，因而无法生成标签数据 $u$。因此我们使用 $\dfrac{\partial u} {\partial x}=cos(x)$ 这一方程，构造数据对 $(x_i, cos(x_i)), i=1,...,N$。
-这意味着我们仍然能保持模型的输入、输出不变，但优化目标变成了：让 $\dfrac{\partial \hat{u}} {\partial x}$ 尽可能地接近 $cos(x)$。即
+这意味着我们仍然能保持模型的输入、输出不变，但优化目标变成了：让 $\dfrac{\partial \hat{u}} {\partial x}$ 尽可能地接近 $cos(x)$。
 
 基于以上理论，我们对场景一的代码进行少量的改写即可得到本场景二的代码。