Move FAQ and case document locations

76ef7b84 · xuxinyu · a74ba9a3 · 76ef7b84 · 76ef7b84 · 76ef7b84
10 changed file
--- a/docs/source_en/FAQ.md
+++ b/docs/source_en/FAQ.md
+# FAQ
+<!-- TOC -->
+- [FAQ](#faq)
+    - [Installation](#installation)
+        - [Installing Using pip](#installing-using-pip)
+        - [Source Code Compilation Installation](#source-code-compilation-installation)
+        - [Environment Variables](#environment-variables)
+        - [Verifying the Installation](#verifying-the-installation)
+    - [Supported Operators](#supported-operators)
+    - [Network Models](#network-models)
+    - [Platform and System](#platform-and-system)
+    - [Backend Running](#backend-running)
+    - [Programming Language Extensions](#programming-language-extensions)
+    - [Supported Features](#supported-features)
+<!-- /TOC -->
+## Installation
+### Installing Using pip
+Q: What should I do if an error message `SSL:CERTIFICATE_VERIFY_FATLED` is displayed when I use pip to install MindSpore?
+A: Add the `--trusted-host=ms-release.obs.cn-north-4.myhuaweicloud.com` parameter to the pip installation command and try again.
+<br/>
+Q: Any specific requirements for Python version when pip install MindSpore?
+A: MindSpore utilizes many of the new features in Python3.7+，therefore we recommend you add Python3.7.5 develop environment via `conda`.
+<br/>
+Q：What should I do when error `ProxyError(Cannot connect to proxy)` prompts during pip install?
+A：It is generally a proxy configuration problem, you can using `export http_proxy={your_proxy}` on Ubuntu environment, and using `set http_proxy={your_proxy}` in cmd on Windows environment to config your proxy.
+<br/>
+Q: What should I do when error prompts during pip install?
+A: Please execute `pip -V` to check if pip is linked to Python3.7+. If not, we recommend you
+use `python3.7 -m pip install` instead of `pip install` command.
+<br/>
+Q: What should I do if I cannot find whl package for MindInsight or MindArmour on the installation page of MindSpore website?
+A: You can download whl package from the official [MindSpore Website download page](https://www.mindspore.cn/versions) and manually install it via `pip install`.
+### Source Code Compilation Installation
+Q: What should I do if the compilation time of MindSpore source code takes too long or the process is constantly interrupted by errors?
+A: MindSpore imports third party dependencies through submodule mechanism, among which `protobuf` v3.8.0 might not have the optimal or steady download speed, it is recommended that you perform package cache in advance.
+<br/>
+Q: How to change installation directory of the third party libraries?
+A: The third party libraries will be installed in build/mindspore/.mslib, you can change the installation directory by setting the environment variable MSLIBS_CACHE_PATH, eg. `export MSLIBS_CACHE_PATH = ~/.mslib`.
+<br/>
+Q: What should I do if the software version required by MindSpore is not the same with the Ubuntu default software version?
+A: At the moment some software might need manual upgrade. (**Note**：MindSpore requires Python3.7.5 and gcc7.3，the default version in Ubuntu 16.04 are Python3.5 and gcc5，whereas the one in Ubuntu 18.04 are Python3.7.3 and gcc7.4)
+<br/>
+Q: What should I do if there is a prompt `tclsh not found` when I compile MindSpore from source code?
+A: Please install the software manually if there is any suggestion of certain `software not found`.
+### Environment Variables
+Q：Some frequently-used environment settings need to be reset in the newly started terminal window, which is easy to be forgotten, What should I do?
+A：You can write the frequently-used environment settings to `~/.bash_profile` or `~/.bashrc` so that the settings can take effect immediately when you start a new terminal window.
+### Verifying the Installation
+Q: After MindSpore is installed on a CPU of a PC, an error message `the pointer[session] is null` is displayed during code verification. The specific code is as follows. How do I verify whether MindSpore is successfully installed?
+```python
+import numpy as np
+from mindspore import Tensor
+from mindspore.ops import functional as F
+import mindspore.context as context
+context.set_context(device_target="Ascend")
+x = Tensor(np.ones([1,3,3,4]).astype(np.float32))
+y = Tensor(np.ones([1,3,3,4]).astype(np.float32))
+print(F.tensor_add(x,y))
+```
+A: After MindSpore is installed on a CPU hardware platform, run the `python -c'import mindspore'` command to check whether MindSpore is successfully installed. If no error message such as `No module named'mindspore'` is displayed, MindSpore is successfully installed. The verification code is used only to verify whether a Ascend platform is successfully installed.
+## Supported Operators
+Q: What can I do if the LSTM example on the official website cannot run on Ascend?
+A: Currently, the LSTM runs only on a GPU or CPU and does not support the hardware environment. You can click [here](https://www.mindspore.cn/docs/en/master/operator_list.html) to view the supported operators.
+<br/>
+Q: When conv2d is set to (3,10), Tensor[2,2,10,10] and it runs on Ascend on ModelArts, the error message `FM_W+pad_left+pad_right-KW>=strideW` is displayed. However, no error message is displayed when it runs on a CPU. What should I do?
+A: This is a TBE operator restriction that the width of x must be greater than that of the kernel. The CPU does not have this operator restriction. Therefore, no error is reported.
+## Network Models
+Q: Which framework models can be directly read by MindSpore? What formats are supported?
+A: MindSpore uses protocol buffers (protobuf) to store training parameters and cannot directly read framework models. If you want to use the .ckpt file trained by a framework, read the parameters and then call the save_checkpoint API of MindSpore to save the file as a .ckpt file that can be read by MindSpore.
+<br/>
+Q: How do I use models trained by MindSpore on Ascend 310?
+A: Ascend 310 supports the offline model (OM). Therefore, you need to export the Open Neural Network Exchange (ONNX) or Ascend intermediate representation (AIR) model and then convert it into OM supported by Ascend 310. For details, see [Multi-Platform Inference](https://www.mindspore.cn/tutorial/en/master/use/multi_platform_inference.html).
+<br/>
+Q: How do I modify parameters (such as the dropout value) on MindSpore?
+A: When building a network, use `if self.training: x = dropput(x)`. During verification, set `network.set_train(mode_false)` before execution to disable the dropout function. During training, set `network.set_train(mode_false)` to True to enable the dropout function.
+<br/>
+Q: Where can I view the sample code or tutorial of MindSpore training and inference?
+A: Please visit the [MindSpore official website](https://www.mindspore.cn/tutorial/en/master/index.html).
+<br/>
+Q: What types of model is currently supported by MindSpore for training?
+A: MindSpore has basic support for common training scenarios, please refer to [Release note](https://gitee.com/mindspore/mindspore/blob/master/RELEASE.md) for detailed information.
+<br/>
+Q: What are the available recommendation or text generation networks or models provided by MindSpore?
+A: Currently, recommendation models such as Wide & Deep, DeepFM, and NCF are under development. In the natural language processing (NLP) field, Bert\_NEZHA is available and models such as MASS are under development. You can rebuild the network into a text generation network based on the scenario requirements. Please stay tuned for updates on the [MindSpore Model Zoo](https://gitee.com/mindspore/mindspore/tree/master/model_zoo).
+<br/>
+Q: How simple can the MindSpore model training code be?
+A: MindSpore provides Model APIs except for network definitions. In most scenarios, model training can be completed using only a few lines of code.
+## Platform and System
+Q: Can MindSpore be installed on Ascend 310?
+A: Ascend 310 can only be used for inference. MindSpore supports training on Ascend 910. The trained model can be converted into an .om model for inference on Ascend 310.
+<br/>
+Q: Does MindSpore require computing units such as GPUs and NPUs? What hardware support is required?
+A: MindSpore currently supports CPU, GPU, Ascend, and NPU. Currently, you can try out MindSpore through Docker images on laptops or in environments with GPUs. Some models in MindSpore Model Zoo support GPU-based training and inference, and other models are being improved. For distributed parallel training, MindSpore supports multi-GPU training. You can obtain the latest information from [Road Map](https://www.mindspore.cn/docs/en/master/roadmap.html) and [project release notes](https://gitee.com/mindspore/mindspore/blob/master/RELEASE.md).
+<br/>
+Q: Does MindSpore have any plan on supporting other types of heterogeneous computing hardwares?
+A: MindSpore provides pluggable device management interface so that developer could easily integrate other types of heterogeneous computing hardwares like FPGA to MindSpore. We welcome more backend support in MindSpore from the community.
+<br/>
+Q: What is the relationship between MindSpore and ModelArts? Can MindSpore be used on ModelArts?
+A: ModelArts is an online training and inference platform on HUAWEI CLOUD. MindSpore is a Huawei deep learning framework. You can view the tutorials on the [MindSpore official website](https://www.mindspore.cn/tutorial/zh-CN/master/advanced_use/use_on_the_cloud.html) to learn how to train MindSpore models on ModelArts.
+<br/>
+Q: Does MindSpore support Windows 10?
+A: The MindSpore CPU version can be installed on Windows 10. For details about the installation procedure, please refer to the [MindSpore official website tutorial](https://www.mindspore.cn/tutorial/zh-CN/master/advanced_use/mindspore_cpu_win_install.html)
+## Backend Running
+Q: What can I do if the error message `device target [CPU] is not supported in pynative mode` is displayed for the operation operator of MindSpore?
+A: Currently, the PyNative mode supports only Ascend and GPU and does not support the CPU.
+<br/>
+Q: What can I do if the error message `Pynative run op ExpandDims failed` is displayed when the ExpandDims operator is used? The code is as follows:
+```python
+context.set_context(
+mode=cintext.GRAPH_MODE,
+device_target='ascend')
+input_tensor=Tensor(np.array([[2,2],[2,2]]),mindspore.float32)
+expand_dims=P.ExpandDims()
+output=expand_dims(input_tensor,0)
+```
+A: The problem is that the Graph mode is selected but the PyNative mode is used. As a result, an error is reported. MindSpore supports the following running modes which are optimized in terms of debugging or running:
+- PyNative mode: dynamic graph mode. In this mode, operators in the neural network are delivered and executed one by one, facilitating the compilation and debugging of the neural network model.
+- Graph mode: static graph mode. In this mode, the neural network model is compiled into an entire graph and then delivered for execution. This mode uses technologies such as graph optimization to improve the running performance and facilitates large-scale deployment and cross-platform running.
+You can select a proper mode and writing method to complete the training by referring to the official website [tutorial](https://www.mindspore.cn/tutorial/en/master/advanced_use/debugging_in_pynative_mode.html).
+## Programming Language Extensions
+Q: The recent announced programming language such as taichi got Python extensions that could be directly used as `import taichi as ti`. Does MindSpore have similar support?
+A: MindSpore supports Python native expression via `import mindspore`。
+<br/>
+Q: Does MindSpore plan to support more programming languages other than Python?
+A：MindSpore currently supports Python extensions，bindings for languages like C++、Rust、Julia are on the way.
+## Supported Features
+Q: Does MindSpore have a lightweight on-device inference engine?
+A: MindSpore has its own on-device inference engine. In the current version, some functions of on-device inference have been open-sourced. MindSpore on-device inference engine is expected to be updated at the end of August. By then, it will be more comprehensive and powerful in terms of usability, performance, operator completeness, and third-party model support.
+Q: How does MindSpore implement semantic collaboration and processing? Is the popular Formal Concept Analysis (FCA) used?
+A: The MindSpore framework does not support FCA. For semantic models, you can call third-party tools to perform FCA in the data preprocessing phase. MindSpore supports Python therefore `import FCA` could do the trick.
+<br/>
+Q: Does MindSpore have any plan or consideration on the edge and device when the training and inference functions on the cloud are relatively mature?
+A: MindSpore is a unified cloud-edge-device training and inference framework. Edge has been considered in its design, so MindSpore can perform inference at the edge. The open-source version will support Ascend 310-based inference. The optimizations supported in the current inference stage include quantization, operator fusion, and memory overcommitment.
+<br/>
+Q: How does MindSpore support automatic parallelism?
+A: Automatic parallelism on CPUs and GPUs are being improved. You are advised to use the automatic parallelism feature on the Ascend 910 AI processor. Follow our open source community and apply for a MindSpore developer experience environment for trial use.
+<br/>
+Q: Does MindSpore have a module that can implement object detection algorithms as TensorFlow does?
+A: The TensorFlow's object detection pipeline API belongs to the TensorFlow's Model module. After MindSpore's detection models are complete, similar pipeline APIs will be provided.
+<br/>
+Q: How do I migrate scripts or models of other frameworks to MindSpore?
+A: For details about script or model migration, please visit the [MindSpore official website](https://www.mindspore.cn/tutorial/en/master/advanced_use/network_migration.html).
+<br/>
+Q: Does MindSpore provide open-source e-commerce datasets?
+A: No. Please stay tuned for updates on the [MindSpore official website](https://www.mindspore.cn/en).
\ No newline at end of file
--- a/docs/source_en/index.rst
+++ b/docs/source_en/index.rst
@@ -17,5 +17,6 @@ MindSpore Documentation
   operator_list
   constraints_on_network_construction
   glossary
+   FAQ
   help_seeking_path
   community
--- a/docs/source_zh_cn/FAQ.md
+++ b/docs/source_zh_cn/FAQ.md
+# FAQ
+<!-- TOC -->
+- [FAQ](#faq)
+    - [安装类](#安装类)
+        - [pip安装](#pip安装)
+        - [源码编译安装](#源码编译安装)
+        - [环境变量](#环境变量)
+        - [安装验证](#安装验证)
+    - [算子支持](#算子支持)
+    - [网络模型](#网络模型)
+    - [平台系统](#平台系统)
+    - [后端运行](#后端运行)
+    - [编程语言拓展](#编程语言拓展)
+    - [特性支持](#特性支持)
+<!-- /TOC -->
+## 安装类
+### pip安装
+Q：使用pip安装时报错：`SSL:CERTIFICATE_VERIFY_FATLED`应该怎么办？
+A：在pip安装命令后添加参数 `--trusted-host=ms-release.obs.cn-north-4.myhuaweicloud.com`重试即可。
+<br/>
+Q：pip安装MindSpore对Python版本是否有特别要求？
+A：MindSpore开发过程中用到了Python3.7+的新特性，因此建议您通过`conda`工具添加Python3.7.5的开发环境。
+<br/>
+Q：使用pip安装时报错`ProxyError(Cannot connect to proxy)`，应该怎么办？
+A：此问题一般是代理配置问题，Ubuntu环境下可通过`export http_proxy={your_proxy}`设置代理；Windows环境可以在cmd中通过`set http_proxy={your_proxy}`进行代理设置。
+<br/>
+Q：使用pip安装时提示错误，应该怎么办？
+A：请执行`pip -V`查看是否绑定了Python3.7+。如果绑定的版本不对，建议使用`python3.7 -m pip install`代替`pip install`命令。
+<br/>
+Q：MindSpore网站安装页面找不到MindInsight和MindArmour的whl包，无法安装怎么办？
+A：您可以从[MindSpore网站下载地址](https://www.mindspore.cn/versions)下载whl包，通过`pip install`命令进行安装。
+### 源码编译安装
+Q：源码编译MindSpore过程时间过长，或时常中断该怎么办？
+A：MindSpore通过submodule机制引入第三方依赖包，其中`protobuf`依赖包（v3.8.0）下载速度不稳定，建议您提前进行包缓存。
+<br/>
+Q：如何改变第三方依赖库安装路径？
+A：第三方依赖库的包默认安装在build/mindspore/.mslib目录下，可以设置环境变量MSLIBS_CACHE_PATH来改变安装目录，比如 `export MSLIBS_CACHE_PATH = ~/.mslib`。
+<br/>
+Q：MindSpore要求的配套软件版本与Ubuntu默认版本不一致怎么办？
+A：当前MindSpore只提供版本配套关系，需要您手动进行配套软件的安装升级。（**注明**：MindSpore要求Python3.7.5和gcc7.3，Ubuntu 16.04默认为Python3.5和gcc5，Ubuntu 18.04默认自带Python3.7.3和gcc7.4）。
+<br/>
+Q：当源码编译MindSpore，提示`tclsh not found`时，应该怎么办？
+A：当有此提示时说明要用户安装`tclsh`；如果仍提示缺少其他软件，同样需要安装其他软件。
+### 环境变量
+Q: 一些常用的环境变量设置，在新启动的终端窗口中需要重新设置，容易忘记应该怎么办？
+A: 常用的环境变量设置写入到`~/.bash_profile` 或 `~/.bashrc`中，可让环境变量设置在新启动的终端窗口中立即生效。
+### 安装验证
+Q:个人电脑CPU环境安装MindSpore后验证代码时报错：`the pointer[session] is null`，具体代码如下，该如何验证是否安装成功呢？
+```python
+import numpy as np
+from mindspore import Tensor
+from mindspore.ops import functional as F
+import mindspore.context as context
+context.set_context(device_target="Ascend")
+x = Tensor(np.ones([1,3,3,4]).astype(np.float32))
+y = Tensor(np.ones([1,3,3,4]).astype(np.float32))
+print(F.tensor_add(x,y))
+```
+A：CPU硬件平台安装MindSpore后测试是否安装成功,只需要执行命令：`python -c 'import mindspore'`，如果没有显示`No module named 'mindspore'`等错误即安装成功。问题中的验证代码仅用于验证Ascend平台安装是否成功。
+## 算子支持
+Q：官网的LSTM示例在Ascend上跑不通
+A：目前LSTM只支持在GPU和CPU上运行，暂不支持硬件环境，您可以[点击这里](https://www.mindspore.cn/docs/zh-CN/master/operator_list.html)查看算子支持情况。
+<br/>
+Q：conv2d设置为(3,10),Tensor[2,2,10,10]，在ModelArts上利用Ascend跑，报错：`FM_W+pad_left+pad_right-KW>=strideW`，CPU下不报错。
+A：这是TBE这个算子的限制，x的width必须大于kernel的width。CPU的这个算子没有这个限制，所以不报错。
+## 网络模型
+Q：MindSpore现支持直接读取哪些其他框架的模型？支持哪些格式呢？
+A：MindSpore采用protbuf存储训练参数，无法直接读取其他框架的模型。如果想用其他框架训练好的ckpt文件，可以先把参数读取出来，再调用MindSpore的save_checkpoint接口，就可以保存成MindSpore可以读取的ckpt文件格式了。
+<br/>
+Q：MindSpore训练的模型如何在Ascend 310 上使用？
+A：Ascend 310 支持OM模型，所以先导出ONNX或AIR模型，再转化为Ascend 310 支持的OM模型，具体步骤参考[多平台推理](https://www.mindspore.cn/tutorial/zh-CN/master/use/multi_platform_inference.html)
+<br/>
+Q：MindSpore如何进行参数（如dropout值）修改？
+A：在构造网络的时候可以通过 `if self.training: x = dropput(x)`，验证的时候，执行前设置`network.set_train(mode_false)`，就可以不适用dropout，训练时设置为True就可以使用dropout。
+<br/>
+Q：从哪里可以查看MindSpore训练及推理的样例代码或者教程？
+A：可以访问[MindSpore官网教程](https://www.mindspore.cn/tutorial/zh-CN/master/index.html)。
+<br/>
+Q：MindSpore支持哪些模型的训练？
+A：MindSpore针对典型场景均有模型训练支持，支持情况详见[Release note](https://gitee.com/mindspore/mindspore/blob/master/RELEASE.md)。
+<br/>
+Q：MindSpore有哪些现成的推荐类或生成类网络或模型可用？
+A：目前正在开发Wide & Deep、DeepFM、NCF等推荐类模型，NLP领域已经支持Bert_NEZHA，正在开发MASS等模型，用户可根据场景需要改造为生成类网络，可以关注[MindSpore Model Zoo](https://gitee.com/mindspore/mindspore/tree/master/mindspore/model_zoo)。
+<br/>
+Q：MindSpore模型训练代码能有多简单？
+A：除去网络定义，MindSpore提供了Model类的接口，大多数场景只需几行代码就可完成模型训练。
+## 平台系统
+Q：Ascend 310 不能安装MindSpore么？
+A：Ascend 310只能用作推理，MindSpore支持在Ascend 910训练，训练出的模型转化为.om模型可用于Ascend 310上推理。
+<br/>
+Q：安装运行MindSpore时，是否要求平台有GPU、NPU等计算单元？需要什么硬件支持？
+A：MindSpore当前支持CPU/GPU/Ascend /NPU。目前笔记本电脑或者有GPU的环境，都可以通过Docker镜像来试用。当前MindSpore Model Zoo中有部分模型已经支持GPU的训练和推理，其他模型也在不断地进行完善。在分布式并行训练方面，MindSpore当前支持GPU多卡训练。你可以通过[RoadMap](https://www.mindspore.cn/docs/zh-CN/master/roadmap.html)和项目[Release note](https://gitee.com/mindspore/mindspore/blob/master/RELEASE.md)获取最新信息。
+<br/>
+Q：针对异构计算单元的支持，MindSpore有什么计划？
+A：MindSpore提供了可插拔式的设备管理接口，其他计算单元（比如FPGA）可快速灵活地实现与MindSpore的对接，欢迎您参与社区进行异构计算后端的开发工作。
+<br/>
+Q：MindSpore与ModelArts是什么关系，在ModelArts中能使用MindSpore吗？
+A：ModelArts是华为公有云线上训练及推理平台，MindSpore是华为深度学习框架，可以查阅[MindSpore官网教程](https://www.mindspore.cn/tutorial/zh-CN/master/advanced_use/use_on_the_cloud.html)，教程中详细展示了用户如何使用ModelArts来做MindSpore的模型训练。
+<br/>
+Q：MindSpore是否支持Windows 10？
+A：MindSpore CPU版本已经支持在Windows 10系统中安装，具体安装步骤可以查阅[MindSpore官网教程](https://www.mindspore.cn/tutorial/zh-CN/master/advanced_use/mindspore_cpu_win_install.html)。
+## 后端运行
+Q：MindSpore的operation算子报错：`device target [CPU] is not supported in pynative mode`
+A：pynative 模式目前只支持Ascend和GPU，暂时还不支持CPU。
+<br/>
+Q：使用ExpandDims算子报错：`Pynative run op ExpandDims failed`。具体代码：
+```python
+context.set_context(
+mode=cintext.GRAPH_MODE,
+device_target='ascend')
+input_tensor=Tensor(np.array([[2,2],[2,2]]),mindspore.float32)
+expand_dims=P.ExpandDims()
+output=expand_dims(input_tensor,0)
+```
+A：这边的问题是选择了Graph模式却使用了PyNative的写法，所以导致报错，MindSpore支持两种运行模式，在调试或者运行方面做了不同的优化:
+- PyNative模式：也称动态图模式，将神经网络中的各个算子逐一下发执行，方便用户编写和调试神经网络模型。
+- Graph模式：也称静态图模式或者图模式，将神经网络模型编译成一整张图，然后下发执行。该模式利用图优化等技术提高运行性能，同时有助于规模部署和跨平台运行。
+用户可以参考[官网教程](https://www.mindspore.cn/tutorial/zh-CN/master/advanced_use/debugging_in_pynative_mode.html)选择合适、统一的模式和写法来完成训练。
+## 编程语言拓展
+Q：最近出来的taichi编程语言有Python扩展，类似`import taichi as ti`就能直接用了，MindSpore是否也支持？
+A：MindSpore支持Python原生表达，`import mindspore`相关包即可使用。
+<br/>
+Q：MindSpore是否（计划）支持多语言扩展？
+A：MindSpore目前支持Python扩展，针对C++、Rust、Julia等语言的支持正在开发中。
+## 特性支持
+Q：MindSpore有轻量的端侧推理引擎么？
+A：MindSpore有自己的端侧推理引擎，当前版本中已开源了端侧推理的部分功能。预计8月底会有更新，届时MindSpore端侧推理引擎在易用性，性能，算子完备度，以及第三方模型支持方面会更加完善和强大。
+<br/>
+Q：MindSpore在语义协同和处理上是如何实现的？是否利用当前学术界流行的FCA理论？
+A：MindSpore框架本身并不需要支持FCA。对于语义类模型，用户可以调用第三方的工具在数据预处理阶段做FCA数学分析。MindSpore本身支持Python语言，`import FCA`相关包即可使用。
+<br/>
+Q：当前在云上MindSpore的训练和推理功能是比较完备的，至于边端场景（尤其是终端设备）MindSpore有什么计划？
+A：MindSpore是端边云统一的训练和推理框架，支持将云侧训练的模型导出到Ascend AI处理器和终端设备进行推理。当前推理阶段支持的优化包括量化、算子融合、内存复用等。
+<br/>
+Q：MindSpore自动并行支持情况如何？
+A：自动并行特性对CPU GPU的支持还在完善中。推荐用户在Ascend 910 AI处理器上使用自动并行，可以关注开源社区，申请MindSpore开发者体验环境进行试用。
+<br/>
+Q：MindSpore有没有类似基于TensorFlow实现的对象检测算法的模块？
+A：TensorFlow的对象检测Pipeline接口属于TensorFlow Model模块。待MindSpore检测类模型完备后，会提供类似的Pipeline接口。
+<br/>
+Q：其他框架的脚本或者模型怎么迁移到MindSpore？
+A：关于脚本或者模型迁移，可以查询MindSpore官网中关于[网络迁移](https://www.mindspore.cn/tutorial/zh-CN/master/advanced_use/network_migration.html)的介绍。
+<br/>
+Q：MindSpore是否附带开源电商类数据集？
+A：暂时还没有，可以持续关注[MindSpore官网](https://www.mindspore.cn)。
\ No newline at end of file
--- a/docs/source_zh_cn/case.rst
+++ b/docs/source_zh_cn/case.rst
-应用案例
-===========
-.. toctree::
-  :maxdepth: 1
-  case/bert_poetry
--- a/docs/source_zh_cn/index.rst
+++ b/docs/source_zh_cn/index.rst
@@ -15,8 +15,8 @@ MindSpore文档
   benchmark
   network_list
   operator_list
-   case
   constraints_on_network_construction
   glossary
+   FAQ
   help_seeking_path
   community
--- a/docs/source_zh_cn/case/bert_poetry.md
+++ b/docs/source_zh_cn/case/bert_poetry.md
 # 智能写诗
 <!-- TOC -->
 - [智能写诗](#智能写诗)
    - [案例简介](#案例简介)
    - [模型介绍](#模型介绍)
    - [模型训练](#模型训练)
        - [Pre-training](#pre-training)
        - [Fine-tuning](#fine-tuning)
        - [模型修改](#模型修改)
    - [样例代码](#样例代码)
    - [实现步骤](#实现步骤)
        - [基础信息](#基础信息)
        - [数据准备](#数据准备)
        - [训练](#训练)
        - [推理验证](#推理验证)
        - [服务部署](#服务部署)
    - [参考资料](#参考资料)
 <!-- /TOC -->
 五千年历史孕育了深厚的中华文化，而诗词是中华文化不可或缺的一部分，欣赏过诗词就可以感受到当中纯净、辽阔的意境，极致的感性，恰恰弥补了节奏紧迫的现代生活带给我们的拥挤感、浮躁感，古语曰：熟读唐诗三百首，不会作诗也会吟，今天理科生MindSpore也来秀一秀文艺范儿！
 ## 案例简介
 通过MindSpore训练出智能写诗模型及部署预测服务，具体流程如下图所示：
-![introduce image](image/introduce.PNG)
+![introduce image](images/introduce.PNG)
 图1：案例流程图
 由于Bert预训练比较费时费力，在本案例中省略了预训练阶段，直接提供MindSpore预训练好的Bert-Base模型，经过Fine-tuning后训练获得最终的模型的训练全流程。
 除此之外，将展示如何通过MindSpore Serving将该模型部署成一个预测服务，Clients代码可以发送请求给该预测服务并获得预测结果。
 ## 模型介绍
 和诗词打交道需要用NLP相关的网络，BERT作为NLP领域中里程碑式的模型，极大地推动了NLP社区的发展，BERT模型由Google提出，采用Transformer中的Encoder结构，通过若干层Encoder的堆叠并借由注意力机制，在多项GLUE（General Language Understanding Evaluation）任务中取得了SOTA（State Of The Art）的效果。
 正是由于这种注意力的机制，不同于以往的循环神经网络的结构，可以做高度的并行计算，这样便可以充分发挥出Ascend 910AI处理器的强大算力，获得极佳的性能表现。
 ## 模型训练
 分为两个步骤，即Pre-training和Fine-tuning。首先在海量无标签的数据上进行Pre-training，希望通过此过程让模型掌握一般的人类语言语义机制，然后在Fine-tuning阶段会针对特定细分领域的有标签数据进行训练以完成特定任务。
 ### Pre-training
 Pre-training是在无标签数据上进行的自编码训练，因此训练任务的设计尤为重要,BERT中的Pre-training包含两项任务MLM(Masked Language Model)和NSP(Next Sentence Prediction)。
 - **MLM任务**是在输入时，随机将部分token置换为[MASK]标记，然后通过注意力机制，由其上下文预测出被遮挡位置的原始token。
 - BERT模型的输入是两“句”话：A与B，构造数据的时候会以50%的概率随机调换A、B的位置，**NSP任务**是预测A与B是否是相连的两“句”话。
 在MLM基础上再增加一个NSP任务，是考虑到实际任务中并没有MLM这种任务，增加一个更符合实际任务类型的预训练任务。
 从上述描述中可以看出，Pre-training并不需要任务数据标签，这种MLM的训练任务本质上是去噪自编码模型，因此BERT可以利用海量的无标签数据来进行预训练。通过预训练阶段的任务设置，BERT可以从无标签数据中学到基础语义逻辑，然后配合Finetune过程完成特定任务训练。
 BERT模型的结构如下图所示，输入两“句”话，如果是中文模型，那么每一个token对应一个汉字，[CLS]和[SEP]是插入的特殊标识位。
-![Teaser image](image/bert_model.PNG)
+![Teaser image](images/bert_model.PNG)
 图2：Bert模型结构[1]
 ### Fine-tuning
 Fine-tuning是在BERT的预训练模型基础上，在最后增加一层适配实际任务，然后在有标签数据上进行少量的训练。
 Fine-tuning的模式可以分为两大类，end-to-end Fine-tuning和feature-based approach，两者的区别在于Finetune阶段中是否修改BERT预训练模型中的参数，正常情况下都是使用end-to-end Fine-tuning。
 ### 模型修改
 BERT采用了Encoder结构，`attention_mask`为全1的向量，即每个token都可以看到其前后的token，此举帮助每一个token都可以了解到整句话信息从而加强语义理解能力，所以BERT天生就不是生成式模型。
 语句生成任务中，在生成下一个token时，应当只能看到之前token的信息，而不应该看到全局信息，因此需要在修改`attention_mask`为下三角矩阵，这样当前token只能看到自己及之前的token信息。
 用于Fine-tuning的数据是40000多首诗词，并无标签，因此构造Fine-tuning任务如下图所示，每一个token的输出要接近下一个标签token，使用交叉熵作为损失函数。
-![Teaser image](image/finetune.PNG)
+![Teaser image](images/finetune.PNG)
 图2：训练流程示意图
 ## 样例代码
 样例代码可[点击下载](https://mindspore-website.obs.cn-north-4.myhuaweicloud.com:443/DemoCode/bert_poetry.rar)，可直接运行体验实现写诗效果，代码结构如下:
 ```
 └─bert_poetry
  ├── src
    ├── bert_for_pre_training.py           # 封装BERT-Base正反向网络类
    ├── bert_model.py                      # 定义BERT正向网络结构
    ├── finetune_config.py                 # Fine-tuning配置文件
    ├── fused_layer_norm.py                # 定义fused_layer_norm
    ├── __init__.py                        # __init__
    ├── utils.py                           # 定义Fine-tuning正向网络结构
    └── poetry_dataset.py                  # 部分代码取自[2]，解析poetry.txt，生成所需dataset
  ├── vocab.txt                            # 词汇表
  ├── generator.py                         # 部分代码取自[2]，推理生成诗句使用函数
  ├── poetry.py                            # 训练、推理、导出函数
  ├── serving
    ├── ms_serving                         # 启动服务器侧serving
    ├── bert_flask.py                      # 服务器侧接收requests请求
    ├── poetry_client.py                   # 客户端代码
    ├── ms_service_pb2_grpc.py             # 定义了grpc相关函数供bert_flask.py使用
    └── ms_service_pb2.py                  # 定义了protocol buffer相关函数供bert_flask.py使用
 ```
 ## 实现步骤
 ### 基础信息
 基于MindSpore 0.6.0-beta版本，在Ascend 910AI处理器平台上进行训练及推理。
 ### 数据准备
 安装bert4keras [3]，需要用到其中的`Tokenizer`和`load_vocab`函数，安装命令如下：
 ```
 pip install bert4keras
 pip install bottle
 ```
 数据集为43030首诗词：可[下载](https://github.com/AaronJny/DeepLearningExamples/tree/master/keras-bert-poetry-generator)其中的`poetry.txt`。
 BERT-Base模型的预训练ckpt：可在[MindSpore官网](https://www.mindspore.cn/docs/zh-CN/master/network_list.html)下载。
 ### 训练
 在`src/finetune_config.py`中修改`pre_training_ckpt`路径，加载预训练的ckpt，修改`batch_size`为bs，修改`dataset_path`为存放诗词的路径，默认的`BertConfig`为Base模型。
 ```
 'dataset_path': '/your/path/to/poetry.txt',
 'batch_size': bs,
 'pre_training_ckpt': '/your/path/to/pre_training_ckpt',
 ```
 执行训练指令
 ```
 python poetry.py
 ```
 ### 推理验证
 修改`poetry.py`中`test_eval`函数来控制随机生成、续写诗句或是藏头诗。
 `generate_random_poetry`函数实现随机生成和续写诗句的功能，如果入参`s`为空则代表随机生成，`s`不为空则为续写诗句。
 ```
    output = generate_random_poetry(poetrymodel, s='')         #随机生成
    output = generate_random_poetry(poetrymodel, s='天下为公')  #续写诗句
 ```
 `generate_hidden`函数实现生成藏头诗的功能，入参`head`为隐藏的头部语句。
 ```
    output = generate_hidden(poetrymodel, head="人工智能")  #藏头诗
 ```
 执行推理指令
 ```
 python poetry.py --train=False  --ckpt_path=/your/ckpt/path
 ```
 会打印出最终生成的诗句，脚本中默认生成一首随机生成、一首续写诗词、一首藏头诗，结果如下所示：
 随机生成：
 ```
 大堤柳暗，
 春深树根。
 东望一望，
 断回还家。
 山色渐风雨，
 东风多雨禾。
 无情与去，
 万里所思。
 ```
 续写 【天下为公】:
 ```
 天下为公少，
 唯君北向西。
 远山无路见，
 长水见人偏。
 一路巴猿啸，
 千峰楚客啼。
 幽深有诗策，
 无以话年华。
 ```
 藏头诗 【人工智能】:
 ```
 人君离别难堪望，
 工部张机自少年。
 智士不知身没处，
 能令圣德属何年。
 ```
 ### 服务部署
 通过MindSpore Serving将训练好的模型部署成推理服务。服务端部署包含以下3个步骤：模型导出、Serving服务启动、预处理及后处理的服务启动；客户端发送推理请求给服务端进行模型推理，推理生成的诗句返回给客户端展示。
 - 模型导出
 在使用Serving部署服务前，需要导出模型文件，在`poetry.py`中提供了`export_net`函数负责导出MINDIR模型，执行命令:
 ```
 python poetry.py --export=True --ckpt_path=/your/ckpt/path
 ```
 会在当前路径下生成`poetry.pb`文件。
 - Serving服务
 在服务器侧启动Serving服务，并加载导出的MINDIR文件`poetry.pb`。
 ```
 cd serving
 ./ms_serving --model_path=/path/to/your/MINDIR_file --model_name=your_mindir.pb
 ```
 - 预处理及后处理的服务
 预处理及后处理通过Flask框架来快速实现，在服务器侧运行`bert_flask.py`文件，启动Flask服务。
 ```
 python bert_flask.py
 ```
 通过以上步骤，服务端部署就已经完成。
 - 客户端
 可用电脑作为客户端，修改`poetry_client.py`中的url请求地址为推理服务启动的服务器IP，并确保端口与服务端`bert_flask.py`中的端口一致，例如：
 ```
 url = 'http://10.155.170.71:8080/'
 ```
 运行`poetry_client.py`文件
 ```
 python poetry_client.py
 ```
 此时在客户端输入指令，即可在远端服务器进行推理，返回生成的诗句。
 ```
 选择模式：0-随机生成，1：续写，2：藏头诗
 0
 ```
 ```
 一朵黄花叶，
 千竿绿树枝。
 含香待夏晚，
 澹浩长风时。
 ```
 ```
 选择模式：0-随机生成，1：续写，2：藏头诗
 1
 输入首句诗
 明月
 ```
 ```
 明月照三峡，
 长空一片云。
 秋风与雨过，
 唯有客舟分。
 寒影出何处，
 远林含不闻。
 不知前后事，
 何道逐风君。
 ```
 ```
 选择模式：0-随机生成，1：续写，2：藏头诗
 2
 输入藏头诗
 人工智能
 ```
 ```
 人生事太远，
 工部与神期。
 智者岂无识，
 能文争有疑。
 ```
 细读鉴赏一下，平仄、押韵、意味均有体现，AI诗人已然成形。
 > 友情提醒，修改其他类型数据集，也可以完成其他简单的生成类任务，如对春联，简单聊天机器人等，用户可尝试体验实现。
 ## 参考资料
 [1] [BERT:Pre-training of Deep Bidirectional Transformers for Language Understanding](https://arxiv.org/abs/1810.04805)
 [2] [https://github.com/AaronJny/DeepLearningExamples/](https://github.com/AaronJny/DeepLearningExamples/)
 [3] [https://github.com/bojone/bert4keras](https://github.com/bojone/bert4keras)
--- a/docs/source_zh_cn/case/image/bert_model.PNG
+++ b/docs/source_zh_cn/case/image/bert_model.PNG
--- a/docs/source_zh_cn/case/image/finetune.PNG
+++ b/docs/source_zh_cn/case/image/finetune.PNG
--- a/docs/source_zh_cn/case/image/introduce.PNG
+++ b/docs/source_zh_cn/case/image/introduce.PNG
--- a/tutorials/source_zh_cn/index.rst
+++ b/tutorials/source_zh_cn/index.rst
@@ -34,6 +34,7 @@ MindSpore教程
   advanced_use/nlp_application
   advanced_use/second_order_optimizer_for_resnet50_application
   advanced_use/synchronization_training_and_evaluation
+   advanced_use/bert_poetry
 .. toctree::
   :glob: