Update README.md

demo/ernie-classification/README.md

@@ -23,8 +23,7 @@
 --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
 --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
 ```
 
 ## 代码步骤
@@ -34,9 +33,8 @@
 ### Step1: 加载预训练模型
 
 ```python
-    module = hub.Module(name="ernie")
-    inputs, outputs, program = module.context(
-        trainable=True, max_seq_len=128)
+module = hub.Module(name="ernie")
+inputs, outputs, program = module.context(trainable=True, max_seq_len=128)
 ```
 其中最大序列长度`max_seq_len`是可以调整的参数，建议值128，根据任务文本长度不同可以调整该值，但最大不超过512。
 
@@ -54,6 +52,51 @@ BERT-Base, Chinese                 | bert_chinese_L-12_H-768_A-12
 
 
 ```python
-    # 即可无缝切换BERT中文模型
-    module = hub.Module(name="bert_chinese_L-12_H-768_A-12")
+# 更换name参数即可无缝切换BERT中文模型
+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
+with fluid.program_guard(program):
+    label = fluid.layers.data(name="label", shape=[1], dtype='int64')
+
+    pooled_output = outputs["pooled_output"]
+
+    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(
+        pooled_output, label, num_classes=reader.get_num_labels())
+```
+
+### Step3: 构建网络并创建分类迁移任务
+```python
+with fluid.program_guard(program):
+    label = fluid.layers.data(name="label", shape=[1], dtype='int64')
+
+    pooled_output = outputs["pooled_output"]
+
+    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(
+        pooled_output, label, num_classes=reader.get_num_labels())
+```
+### Step4：选择优化策略并开始Finetune
+
+```python
+strategy = hub.BERTFinetuneStrategy(
+    weight_decay=0.01,
+    learning_rate=5e-5,
+    warmup_strategy="linear_warmup_decay",
+)
+
+config = hub.RunConfig(use_cuda=True, num_epoch=3, batch_size=32, strategy=strategy)
+
+hub.finetune_and_eval(task=cls_task, data_reader=reader, feed_list=feed_list, config=config)
 ```