diff --git a/04Inference/06Kernel/05Qnnpack.md b/04Inference/06Kernel/05Qnnpack.md
index 151482ed..b3f787eb 100644
--- a/04Inference/06Kernel/05Qnnpack.md
+++ b/04Inference/06Kernel/05Qnnpack.md
@@ -94,7 +94,7 @@ Marat Dukhan 于 2019 年离开 Meta 来到谷歌之后，发表了一篇名为
 
 这标志着 QNNPACK 与其他 GEMM 实现之间的重要区别：其他库会重新打包 A 和 B 矩阵，以更好地利用缓存层次结构，希望通过大量计算来摊销打包开销，而 QNNPACK 则针对 A 和 B 面板可以适应 L1 缓存的情况进行优化。因此，**它旨在消除所有非计算必需的内存转换**。
 
-间接卷积算法的计算同样也是基于对输出的切分，计算 MR × NR 的小块。与传统 GEMM 方法不同的是，其将将整个 K 维全部在计算 Kernel 中处理完，消除了输出部分和的访存。这里所说的「将整个 K 维全部」并不是指 K 维不进行拆分，而是指拆分后不和其他维度交换，实际计算中 K 维会以 $2^n$ 为基础进行拆分。
+间接卷积算法的计算同样也是基于对输出的切分，计算 MR × NR 的小块。如图19.5.4所示，与传统 GEMM 方法不同的是，其将将整个 K 维全部在计算 Kernel 中处理完，消除了输出部分和的访存。这里所说的「将整个 K 维全部」并不是指 K 维不进行拆分，而是指拆分后不和其他维度交换，实际计算中 K 维会以 $2^n$ 为基础进行拆分。
 
 ![间接卷积算法示意图](images/05QNNPACK04.png)