add run environment

BERT/README.md

@@ -123,7 +123,7 @@ export current_endpoint=192.168.0.17:9185
 ```shell
 export FLAGS_enable_parallel_graph=1
 export FLAGS_sync_nccl_allreduce=1
-export CUDA_VISIBLE_DEVICES=0,1,2,3
+export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
 
 BERT_BASE_PATH="chinese_L-12_H-768_A-12"
 TASK_NAME='XNLI'
@@ -149,7 +149,8 @@ python -u run_classifier.py --task_name ${TASK_NAME} \
                    --max_seq_len 512 \
                    --bert_config_path ${BERT_BASE_PATH}/bert_config.json \
                    --learning_rate 1e-4 \
-                   --skip_steps 10
+                   --skip_steps 10 \
+                   --random_seed 1
 ```
 
 这里的 `chinese_L-12_H-768_A-12` 即是转换后的中文预训练模型。需要注意的是，BERT on PaddlePaddle 支持按两种方式构建一个 batch 的数据，`in_tokens` 参数影响 `batch_size` 参数的意义，如果 `in_tokens` 为 `true` 则按照 token 个数构建 batch, 如不设定则按照 example 个数来构建 batch. 训练过程中会输出训练误差、训练速度等信息，训练结束后会输出如下所示的在验证集上的测试结果：

ERNIE/README.md

@@ -163,6 +163,11 @@ nlpcc-dbqa是由国际自然语言处理和中文计算会议NLPCC于2016年举
 
 2) [任务数据下载](https://ernie.bj.bcebos.com/task_data.tgz)
 
+### 安装
+本项目依赖于 Paddle Fluid 1.3，请参考[安装指南](http://www.paddlepaddle.org/#quick-start)进行安装。
+
+**Note**: 预训练任务和finetune任务测试机器为P40, 显存22G；如果显存低于22G, 某些任务可能会因显存不足报错；
+
 ### 预训练
 
 #### 数据预处理