Update README.md

update readme of text-classification

demo/text-classification/README.md

-# ERNIE Classification
+# Text Classification
 
-本示例将展示如何使用PaddleHub Finetune API利用ERNIE完成分类任务。
-
-其中分类任务可以分为两大类
+本示例将展示如何使用PaddleHub Finetune API借助ERNIE模型完成分类任务。
+其中分类任务可以分为两大类：
 
 * 单句分类
   - 中文情感分析任务 ChnSentiCorp
 
-
 * 句对分类
   - 语义相似度 LCQMC
   - 检索式问答任务 NLPCC-DBQA
 
 ## 如何开始Finetune
 
-在完成安装PaddlePaddle与PaddleHub后，通过执行脚本`sh run_sentiment_cls.sh`即可开始使用ERNIE对ChnSentiCorp数据集进行Finetune。
+在完成安装PaddlePaddle与PaddleHub后，通过执行脚本`sh run_classifier.sh`即可开始使用ERNIE对ChnSentiCorp数据集进行Finetune。
 
 其中脚本参数说明如下：
 
 ```bash
---batch_size: 批处理大小，请结合显存情况进行调整，若出现显存不足错误，请调低这一参数值
---weight_decay:
---checkpoint_dir: 模型保存路径，PaddleHub会自动保存验证集上表现最好的模型
+# 模型相关
+--batch_size: 批处理大小，请结合显存情况进行调整，若出现显存不足，请适当调低这一参数
+--learning_rate: Finetune的最大学习率
+--weight_decay: 控制正则项力度的参数，用于防止过拟合，默认为0.01
+--warmup_proportion: 学习率warmup策略的比例，如果0.1，则学习率会在前10%训练step的过程中从0慢慢增长到learning_rate, 而后再缓慢衰减，默认为0
 --num_epoch: Finetune迭代的轮数
---max_seq_len: ERNIE模型使用的最大序列长度，最大不能超过512, 若出现显存不足错误，请调低这一参数
+--max_seq_len: ERNIE/BERT模型使用的最大序列长度，最大不能超过512, 若出现显存不足，请适当调低这一参数
+
+# 任务相关
+--checkpoint_dir: 模型保存路径，PaddleHub会自动保存验证集上表现最好的模型
+--dataset: 有三个参数可选，分别代表3个不同的分类任务; 分别是 chnsenticorp, lcqmc, nlpcc_dbqa 
 ```
 
 ## 代码步骤
@@ -52,52 +56,57 @@ BERT-Base, Chinese                 | `hub.Module(name='bert_chinese_L-12_H-768_A
 
 
 ```python
-# 更换name参数即可无缝切换BERT中文模型
+# 更换name参数即可无缝切换BERT中文模型, 代码示例如下
 module = hub.Module(name="bert_chinese_L-12_H-768_A-12")
 ```
 
 ### Step2: 准备数据集并使用ClassifyReader读取数据
 ```python
+dataset = hub.dataset.ChnSentiCorp()
 reader = hub.reader.ClassifyReader(
-    dataset=hub.dataset.ChnSentiCorp(),
+    dataset=dataset,
     vocab_path=module.get_vocab_path(),
     max_seq_len=128)
 ```
 `hub.dataset.ChnSentiCorp()` 会自动从网络下载数据集并解压到用户目录下`$HOME/.paddlehub/dataset`目录
 
-`module.get_vaocab_path()` 会返回ERNIE/BERT模型对应的词表
+`module.get_vaocab_path()` 会返回预训练模型对应的词表
 
-`max_seq_len`需要与Step1中context接口传入的序列长度保持一致
+`max_seq_len` 需要与Step1中context接口传入的序列长度保持一致
 
-ClassifyReader中的`data_generator`会自动按照模型对应词表对数据进行切词，以迭代器的方式返回ERNIE/BERT所需要的Tensor格式，包括`input_ids`，`position_ids`，`segment_id`与序列对应的mask `input_mask`.
+ClassifyReader中的`data_generator`会自动按照模型对应词表对数据进行切词，以迭代器的方式返回ERNIE/BERT所需要的Tensor格式，包括`input_ids`，`position_ids`，`segment_id`与序列对应的mask `input_mask`. 
 
+**NOTE**: Reader返回tensor的顺序是固定的，默认按照input_ids, position_ids, segment_id, input_mask这一顺序返回。
 
 ### Step3: 构建网络并创建分类迁移任务
 ```python
-with fluid.program_guard(program): # NOTE: 必须使用fluid.program_guard接口传入Module返回的预训练模型program
+# NOTE: 必须使用fluid.program_guard接口传入Module返回的预训练模型program
+with fluid.program_guard(program): 
     label = fluid.layers.data(name="label", shape=[1], dtype='int64')
 
     pooled_output = outputs["pooled_output"]
-
+    
+    # feed_list的Tensor顺序不可以调整
     feed_list = [
         inputs["input_ids"].name, inputs["position_ids"].name,
         inputs["segment_ids"].name, inputs["input_mask"].name, label.name
     ]
 
-    cls_task = hub.create_text_classification_task(
+    cls_task = hub.create_text_cls_task(
         feature=pooled_output, label=label, num_classes=reader.get_num_labels())
 ```
 **NOTE:** 基于预训练模型的迁移学习网络搭建，必须在`with fluid.program_gurad()`作用域内组件网络
 1. `outputs["pooled_output"]`返回了ERNIE/BERT模型对应的[CLS]向量,可以用于句子或句对的特征表达。
-2. `feed_list`中的inputs参数指名了ERNIE/BERT中的输入tensor，以及labels顺序，与ClassifyReader返回的结果一致。
-3. `create_text_classification_task`通过输入特征，label与迁移的类别数，可以生成适用于文本分类的迁移任务`cls_task`
+2. `feed_list`中的inputs参数指名了ERNIE/BERT中的输入tensor的顺序，与ClassifyReader返回的结果一致。
+3. `create_text_cls_task`通过输入特征，label与迁移的类别数，可以生成适用于文本分类的迁移任务`cls_task`
 
 ### Step4：选择优化策略并开始Finetune
 
 ```python
 strategy = hub.AdamWeightDecayStrategy(
-    weight_decay=0.01,
     learning_rate=5e-5,
+    weight_decay=0.01,
+    warmup_proportion=0.0,
     warmup_strategy="linear_warmup_decay",
 )
 
@@ -105,7 +114,16 @@ config = hub.RunConfig(use_cuda=True, num_epoch=3, batch_size=32, strategy=strat
 
 hub.finetune_and_eval(task=cls_task, data_reader=reader, feed_list=feed_list, config=config)
 ```
-针对ERNIE与BERT类任务，PaddleHub封装了适合这一任务的迁移学习优化策略。用户可以通过配置学习率，权重
+#### 优化策略
+针对ERNIE与BERT类任务，PaddleHub封装了适合这一任务的迁移学习优化策略`AdamWeightDecayStrategy`
+
+`learning_rate`: Finetune过程中的最大学习率;
+`weight_decay`: 模型的正则项参数，默认0.01，如果模型有过拟合倾向，可适当调高这一参数;
+`warmup_proportion`: 如果warmup_proportion>0, 例如0.1, 则学习率会在前10%的steps中线性增长至最高值learning_rate;
+`warmup_strategy`: 有两种策略可选(1) `linear_warmup_decay`策略学习率会在最高点后以线性方式衰减; `noam_decay`策略学习率会在最高点以多项式形式衰减；
+
+#### 运行配置
+RunConfig
 
 ## 模型预测