refine resnet50 readme

Classification/cnns/README.md

 ## 简介 Introduction
 
-### 图像分类与CNN
+## 图像分类与CNN
 
 **图像分类** 是指将图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法，是计算机视觉中其他任务，比如目标检测、语义分割、人脸识别等高层视觉任务的基础。
 
@@ -8,18 +8,44 @@ ImageNet大规模视觉识别挑战赛（ILSVRC），常称为ImageNet竞赛，
 
 在2012年的ImageNet竞赛中，深度卷积网络AlexNet横空出世。以超出第二名10%以上的top-5准确率，勇夺ImageNet2012比赛的冠军。从此，以 CNN（卷积神经网络） 为代表的深度学习方法开始在计算机视觉领域的应用开始大放异彩，更多的更深的CNN网络被提出，比如ImageNet2014比赛的冠军VGGNet, ImageNet2015比赛的冠军ResNet。
 
-### 使用说明
-
 OneFlow-Benchmark下的cnn仓库目前已支持resnet50、vgg、alexnet等经典的cnn模型，未来会陆续添加新的cnn模型。这些cnn模型共享一套训练、验证和推理代码，您只需要指定模型，即可使用一套代码完成这些cnn网络模型的训练、测试和验证。
 
-#### 1.克隆此仓库
-```shell
-git clone https://github.com/Oneflow-Inc/OneFlow-Benchmark
-cd ./OneFlow-Benchmark/Classification/cnns
-```
+## 快速开始 Quick Start
+
+### 准备工作 Requirements
+
+别担心，使用OneFlow非常容易，只要准备好下面三步，即可开始OneFlow的图像识别之旅。
+
+- 安装OneFlow。 
+
+  - 直接通过pip安装：`pip install oneflow`  （TODO：确定我们的pip源是否做好,问caishenghang）
+  - 其他安装方式：参考[这里](XXX)（TOOD：待补充链接，链接到编译安装的文档说明） 。
+
+- 下载[OneFlow-Benchmark](https://github.com/Oneflow-Inc/OneFlow-Benchmark/tree/of_develop_py3/cnn_benchmark)仓库。
 
+  `git clone git@github.com:Oneflow-Inc/OneFlow-Benchmark.git`
+
+- 准备数据集（可选）
+
+  - 下载示例数据集：
+
+    `wget https://oneflow-public.oss-cn-beijing.aliyuncs.com/datasets/imagenet_ofrecord_example/part-00000`
+
+  - 或者：制作完整OFRecord格式的ImageNet数据集（见下文进阶部分）
+
+  - 再或者：直接使用虚拟“合成数据”。
+
+**关于数据集的说明：**
 
-#### 2.训练&验证
+
+> 1）本文的展示的代码中，使用OFRcord格式的数据集可以提高数据加载效率（但这非必须，参考[数据输入](http://183.81.182.202:8000/basics_topics/data_input.html)，oneflow支持直接加载numpy数据）。
+>
+> 2）为了使读者快速上手，我们提供了一个小的示例数据集。直接下载，即可快速开始训练过程。读者可以在熟悉了流程后，可以参考数据集制作部分，制作完整的数据集。
+>
+> 3）“合成数据”是指不通过磁盘加载数据，而是直接在内存中生成一些随机数据，作为网络的数据输入源。
+
+
+### 1.训练&验证
 
 ```shell
 sh train.sh
@@ -55,7 +81,7 @@ sh train.sh
 
 - --model                                        使用的模型
 
-#### 3.推理
+### 2.推理
 ```shell
 sh inference.sh
 ```
@@ -70,9 +96,7 @@ sh inference.sh
 
 下面，我们将重点介绍经典CNN网络：Resnet，以及如何利用OneFlow训练Resnet50，并对标Nvidia的Mxnet版实现。
 
-
-
-### ResNet
+## ResNet
 
 [ResNet](https://arxiv.org/abs/1512.03385) 是2015年ImageNet竞赛的冠军。目前，ResNet相对对于传统的机器学习分类算法而言，效果已经相当的出色，之后大量的检测，分割，识别等任务也都在ResNet基础上完成。
 
@@ -87,50 +111,11 @@ sh inference.sh
 
 
 
-准备好亲自动手，复现上面的结果了吗？
+准备好亲自动手，复现上面的结果了吗？那么接下来，立马开始OneFlow的图像识别之旅吧！
 
 下面，本文就以上面的ResNet50 为例，一步步展现如何使用OneFlow进行网络的训练和预测。
 
-
-
-## 准备工作 Requirements
-
-别担心，使用OneFlow非常容易，只要准备好下面三步，即可开始OneFlow的图像识别之旅。
-
-- 安装OneFlow。 
-
-  - 直接通过pip安装：`pip install oneflow`  （TODO：确定我们的pip源是否做好,问caishenghang）
-  - 其他安装方式：参考[这里](XXX)（TOOD：待补充链接，链接到编译安装的文档说明） 。
-
-- 下载[OneFlow-Benchmark](https://github.com/Oneflow-Inc/OneFlow-Benchmark/tree/of_develop_py3/cnn_benchmark)仓库。
-
-  `git clone git@github.com:Oneflow-Inc/OneFlow-Benchmark.git`
-
-- 准备数据集（可选）
-  - 下载示例数据集：
-  
-    `wget https://oneflow-public.oss-cn-beijing.aliyuncs.com/datasets/imagenet_ofrecord_example/part-00000`
-  
-  - 或者：制作完整OFRecord格式的ImageNet数据集（见下文进阶部分）
-  
-  - 再或者：直接使用虚拟“合成数据”。
-
-
-
-**关于数据集的说明：**
-
-
-> 1）本文的展示的代码中，使用OFRcord格式的数据集可以提高数据加载效率（但这非必须，参考[数据输入](http://183.81.182.202:8000/basics_topics/data_input.html)，oneflow支持直接加载numpy数据）。
->
-> 2）为了使读者快速上手，我们提供了一个小的示例数据集。直接下载，即可快速开始训练过程。读者可以在熟悉了流程后，可以参考数据集制作部分，制作完整的数据集。
->
-> 3）“合成数据”是指不通过磁盘加载数据，而是直接在内存中生成一些随机数据，作为网络的数据输入源。
-
-
-
-## 快速开始 Quick Start
-
-那么接下来，立马开始OneFlow的图像识别之旅吧！
+### 训练和验证（Train & Validation）
 
 先切换到代码目录：
 
@@ -138,18 +123,12 @@ sh inference.sh
 cd OneFlow-Benchmark/Classification/cnns
 ```
 
-
-
-### 训练和验证（Train & Validation）
-
 在命令行执行：
 
 ```
 sh train.sh
 ```
 
-
-
 若在屏幕上不断打印出类似下面的信息，则表明训练过程正常运行：
 
 ```
@@ -161,8 +140,6 @@ Saving model to ./output/snapshots/model_save-20200629223546/snapshot_epoch_0.
 validation: epoch 0, iter 100, top_1: 0.074620, top_k: 0.194120, samples/s: 2014.683
 ```
 
-
-
 可以看到：
 
 - 随着训练的进行，loss不断下降，而训练的top_1/top_k准确率不断提高（其中top_k默认为top_5准确率，可自定义）。
@@ -189,19 +166,9 @@ validation: epoch 0, iter 100, top_1: 0.074620, top_k: 0.194120, samples/s: 2014
 
 ### 预测（Inference）
 
-恭喜，到这里，您已经知道如何用OneFlow训练模型。
-
-接下来，试试用训练好的模型对新图片进行分类预测吧！
-
-
-
-**关于模型，您可以选择：**
-
-- 使用刚才训练出的模型进行预测。
-- 或者，下载已训练好的模型：[resnet_v1.5_model](https://oneflow-public.oss-cn-beijing.aliyuncs.com/model_zoo/resnet_v15_of_best_model_val_top1_77318.tgz ) (validation accuracy: 77.318% top1，93.622% top5 )。
-- 再或者，将其他框架已有的模型转换成OneFlow模型，见下面模型转换的部分。（TODO：模型转换内容补充后，怎加这里的跳转链接）
-
+恭喜，到这里，您已经知道如何用OneFlow训练模型，接下来，试试用训练好的模型对新图片进行分类预测吧！
 
+预测之前，需要准备你自己训练的模型，或者用我们在下面提供的在完整Imagenet(2012)上训练好的模型。
 
 准备好模型后，将模型目录填入`inference.sh` 脚本的`MODEL_LOAD_DIR`变量中，然后执行以下命令，开始对图片`test_img/tiger.jpg`的类别的进行预测：
 
@@ -209,7 +176,6 @@ validation: epoch 0, iter 100, top_1: 0.074620, top_k: 0.194120, samples/s: 2014
 sh inference.sh
 ```
 
-
 若输出下面的内容，则表示预测成功：
 
 ```
@@ -217,11 +183,23 @@ test_img/tiger.jpg
 0.81120294 tiger, Panthera tigris
 ```
 
+### 模型（Model）
+
+**关于模型，您可以选择：**
+
+- 自己训练的模型
+
+- 或者，下载我们已训练好的模型：[resnet_v1.5_model](https://oneflow-public.oss-cn-beijing.aliyuncs.com/model_zoo/resnet_v15_of_best_model_val_top1_77318.tgz ) (validation accuracy: 77.318% top1，93.622% top5 )。
+
+  
+
 
 ## 更详细的说明 Details
+
 ### 分布式训练
-简单而易用的分布式，是OneFlow的主打特色之一。
-OneFlow框架从底层设计上，就原生支持高效的分布式训练。尤其对于分布式的数据并行，用户完全不用操心算法从单机单卡扩展到多机多卡时，数据如何划分以及同步的问题。也就是说，使用OneFlow，用户以单机单卡的视角写好算法，自动具备多机多卡分布式数据并行的能力。
+**简单而易用的分布式，是OneFlow的主打特色之一。**
+
+OneFlow框架从底层设计上，就原生支持高效的分布式训练。尤其对于分布式的数据并行，用户完全不用操心算法从单机单卡扩展到多机多卡时，数据如何划分以及同步的问题。也就是说，使用OneFlow，用户以单机单卡的视角写好算法，**自动具备多机多卡分布式数据并行的能力。**
 
 
 #### 如何配置并运行分布式训练？
@@ -229,7 +207,7 @@ OneFlow框架从底层设计上，就原生支持高效的分布式训练。尤
 
 例如，想要在2机8卡上进行分布式训练，像下面这样配置：
 
-```
+```shell
 # train.sh 
 python3 of_cnn_train_val.py \
     --num_nodes=2 \
@@ -240,7 +218,7 @@ python3 of_cnn_train_val.py \
 ```
 
 然后分别在两台机器上，同时执行：
-```
+```shell
 ./train.sh
 ```
 
@@ -258,7 +236,7 @@ python3 of_cnn_train_val.py \
 
 只需要在`train.sh`脚本中添加参数`--use_fp16=True`即可。
 
-#### 预训练模型
+#### 混合精度模型
 
 我们为您提供了一个在Imagenet2012完整训练了90个epoch的混合精度模型，top_1：77.33%
 
@@ -274,7 +252,7 @@ Oneflow的ResNet50实现，为了保证和[英伟达的Mxnet版实现](https://g
 
 #### Data Augmentation
 
-##### 训练
+**训练**
 
 1. 随机采样图像并将其解码为[0; 255]。
 2. 随机裁剪一个矩形区域，该矩形区域的长宽比以[3/4; 4/3]和以[8％；100％]，然后将裁剪的区域调整为224 x 224平方的图像。
@@ -295,7 +273,7 @@ Oneflow的ResNet50实现，为了保证和[英伟达的Mxnet版实现](https://g
 | 6.1 Normalize mean       | Yes     | Yes    |
 | 6.2 Normalize std        | Yes     | Yes    |
 
-##### 验证
+**验证**
 
 - 将每个图像的短边调整为256像素，同时保持其宽高比。
 - 裁剪中心的224×224区域
@@ -403,7 +381,7 @@ OneFlow和英伟达保持了相同的初始化方式，只是在两个框架中
 ```
 
 那么，一键执行以下脚本即可完成训练集和验证集 > OFRecord的转换：
-**转换训练集**
+##### 转换训练集
 
 ```shell
 python3 imagenet_ofrecord.py  \
@@ -415,7 +393,7 @@ python3 imagenet_ofrecord.py  \
 --height 224 --width 224
 ```
 
-**转换验证集**
+##### 转换验证集
 
 ```shell
 python3 imagenet_ofrecord.py  \
@@ -427,7 +405,7 @@ python3 imagenet_ofrecord.py  \
 --height 224 --width 224
 ```
 
-**参数说明：**
+##### 参数说明
 
 ```shell
 --train_directory