update faq

doc/paddle/faq/train_cn.md

@@ -99,17 +99,10 @@
 
 ##### 问题：在CPU上进行模型训练，如何使用多线程？
 
-+ 答复：可以参考使用[ParallelExecutor API](https://www.paddlepaddle.org.cn/documentation/docs/zh/1.3/api_cn/fluid_cn.html#parallelexecutor)。
++ 答复：可以参考使用[CompiledProgram API 中的with_data_parallel方法](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/fluid_cn/CompiledProgram_cn.html#id5)。
 
 ----------
 
-##### 问题：如何提高单CPU多线程利用率？
-
-+ 答复：线程数是设备同时并行执行程序的个数，可以将线程数设置为“CPU的个数*CPU的核数”。可以通过
-
-`os.getenv("CPU_NUM")`或者`os.environ['CPU_NUM'] = str(2)`获取相关参数值。
-
-----------
 
 ##### 问题：使用NVIDIA多卡运行Paddle时报错，`Error：NCCL ContextMap`或者`Error：hang住`（log日志打印突然卡住），如何解决？
 
@@ -123,40 +116,15 @@
 
 ![图片](https://agroup-bos-bj.cdn.bcebos.com/bj-13d1b5df218cb40b0243d13450ab667f34aee2f7)
 
-+ 报错分析：PaddlePaddle安装版本和多卡训练不匹配导致。
-
-+ 解决方法：排查当前安装的PaddlePaddle是否支持并行训练。如果是开发者编译的Paddle，请在编译时打开 `WITH_DISTRIBUTE`选项。
-
-----------
-
-##### 问题：训练过程中提示显存不足，如何处理？
++ 报错分析：主进程发现一号卡（逻辑）上的训练进程退出了。
 
-+ 答复：这是一种常见情况，你可以尝试调整`batch_size`大小，也可以更改网络模型，或者参考官方文档[显存分配与优化](https://www.paddlepaddle.org.cn/documentation/docs/zh/1.5/advanced_usage/best_practice/memory_optimize.html) 。建议用户使用[AI Studio 学习与 实训社区训练](https://aistudio.baidu.com/aistudio/index)，获取免费GPU算力，速度更快。
++ 解决方法：查看一号卡上的日志，找出具体的出错原因。`paddle.distributed.launch` 启动多卡训练时，设置 `--log_dir` 参数会将每张卡的日志保存在设置的文件夹下。
 
 ----------
 
-##### 问题：GPU显存占用过高，如何解决？
+##### 问题：训练过程中提示显存不足，报错 `Error：Out of memory error GPU`，如何处理？
 
-+ 答复：建议调整 `FLAGS_fraction_of_gpu_memory_to_use` ，并检查`batch_size` 。通过设置较小的`batch_size`能降低显存消耗；`FLAGS_fraction_of_gpu_memory_to_use`默认值为 =0.92, 当申请不到需要的显存时会直接报内存不足。如遇到此情况，可以先检查一下GPU卡是否被占用，再设置较小的值，以启动程序。
-
-----------
-
-##### 问题：GPU内存不足，报错 `Error：Out of memory error GPU`，如何处理？
-
-+ 问题描述：
-
-![图片](https://agroup-bos-bj.cdn.bcebos.com/bj-3cbc8370534cb998f321af9b32aa2859403d9c9d)
-
-+ 解决方案：
-
-  1. 检查是当前模型是否占用内存过高，可尝试减小`batch_size` ；
-  2. 开启以下三个选项：
-     `#一旦不再使用即释放内存垃圾，=1.0 垃圾占用内存大小达到10G时，释放内存垃圾`
-     `export FLAGS_eager_delete_tensor_gb=0.0`
-     `#启用快速垃圾回收策略，不等待cuda kernel 结束，直接释放显存`
-     `export FLAGS_fast_eager_deletion_mode=1`
-     `#该环境变量设置只占用0%的显存`
-     `export FLAGS_fraction_of_gpu_memory_to_use=0`
++ 答复：这是一种常见情况，可以先检查一下GPU卡是否被其他程序占用，你可以尝试调整`batch_size`大小，也可以更改网络模型，或者参考官方文档[存储分配与优化](https://www.paddlepaddle.org.cn/documentation/docs/zh/advanced_guide/performance_improving/singlenode_training_improving/memory_optimize.html) 。建议用户使用[AI Studio 学习与 实训社区训练](https://aistudio.baidu.com/aistudio/index)，获取免费GPU算力，显存16GB的v100，速度更快。
 
 ----------
 
@@ -164,9 +132,9 @@
 
 + 答复：有如下两点建议：
 
-  1. 如果数据预处理耗时较长，可使用py_Reader 或 multiprocess_reader加速；
+  1. 如果数据预处理耗时较长，可使用[fluid.io.DataLLoader](https://www.paddlepaddle.org.cn/documentation/docs/en/api/io/DataLoader.html#dataloader)加速；该API提供了多进程的异步加载支持，在静态图与动态图下均可使用，也是paddle后续主推的数据读取方式。用户可通过配置num_workers指定异步加载数据的进程数目从而满足不同规模数据集的读取需求。
 
-  2. 如果提高GPU计算量，可以增加`batch_size`，但是注意调节其他超参数。
+  2. 如果GPU显存没满，且数据读取不是性能瓶颈，可以增加`batch_size`，但是注意调节其他超参数。
 
   以上两点均为比较通用的方案，其他的优化方案和模型相关，可参考相应models示例。
 
@@ -174,29 +142,27 @@
 
 ##### 问题：使用CPU或GPU时，如何设置`num_threds`？
 
-+ 答复：
-
-  1. 如果是CPU，最大可以设置到当前CPU的内核数。
-  2. 如果是GPU，受显卡多处理器的寄存器数目限制，例如GeForce 8800GT的显卡，最多8192个寄存器。假设每个线程需要的寄存器等于16，则最多只有512个线程。再高的线程将会将数据切换的显卡显存，反而降低执行效率。
++ 答复：可以通过`os.getenv("CPU_NUM")`获取相关参数值或者`os.environ['CPU_NUM'] = str(2)`设置相关参数值。
 
 ----------
 
-##### 问题：如何处理变长ID导致程序内存占用过大的问题？
+##### 问题：如何处理变长ID导致程序显存占用过大的问题？
 
-+ 答复：请先参考[显存分配与优化文档](https://www.paddlepaddle.org.cn/documentation/docs/zh/1.5/advanced_usage/best_practice/memory_optimize.html) 开启存储优化开关，包括显存垃圾及时回收和Op内部的输出复用输入等。若存储空间仍然不够，建议：
-
-  1. 降低`batch_size`；
-  2. 对index进行排序，减少padding的数量。
++ 答复：请先参考上述显存不足的问题的解决方案。若存储空间仍然不够，建议对index进行排序，减少padding的数量。
 
 ----------
 
 ##### 问题：Executor与ParallelExecutor有什么区别？
 
-+ 答复：如果没有指定Scope，所有的Executor都会共享一个Scope，即`global_scope`。
++ 答复：飞桨（PaddlePaddle，以下简称Paddle）的设计思想类似于高级编程语言C++和JAVA等。程序的执行过程被分为编译和执行两个阶段。
+
+用户完成对 Program 的定义后，Executor 接受这段 Program 并转化为C++后端真正可执行的 FluidProgram，这一自动完成的过程叫做编译。
+
+编译过后需要 Executor 来执行这段编译好的 FluidProgram。
 
 1. `fluid.Executor`执行对象是Program，可以认为是一个轻量级的执行器，目前主要用于参数初始化、参数加载、参数模型保存。
 
-2. `fluid.ParallelExecutor`的执行对象是Graph，ParallelExecutor内部会将Program转为Graph，这样更便于对模型进行分析。
+2. `fluid.ParallelExecutor` 是 `Executor` 的一个升级版本，可以支持基于数据并行的多节点模型训练和测试。如果采用数据并行模式， ParallelExecutor 在构造时会将参数分发到不同的节点上，并将输入的 Program 拷贝到不同的节点，在执行过程中，各个节点独立运行模型，将模型反向计算得到的参数梯度在多个节点之间进行聚合，之后各个节点独立的进行参数的更新。
 
 ----------
 
@@ -216,7 +182,7 @@
 
 ##### 问题：Loss为NaN，如何处理？
 
-+ 答复：可能由于网络的设计问题，Loss过大（Loss为NaN）会导致梯度爆炸。如果没有改网络结构，但是出现了NaN，可能是数据读取导致，比如标签对应关系错误。
++ 答复：可能由于网络的设计问题，Loss过大（Loss为NaN）会导致梯度爆炸。如果没有改网络结构，但是出现了NaN，可能是数据读取导致，比如标签对应关系错误。还可以检查下网络中是否会出现除0，log0的操作等。
 
 ----------
 
@@ -237,25 +203,23 @@
 
 ----------
 
-##### 问题：增量训练中，如何保存模型和恢复训练？
-
-+ 答复：在增量训练过程中，不仅需要保存模型的参数，也需要保存模型训练的状态（如learning_rate）。使用[save_persistables](https://www.paddlepaddle.org.cn/documentation/docs/zh/1.5/api_cn/dygraph_cn.html#save-persistables)保存模型训练的参数和状态；恢复训练时，使用[load_persistables](https://www.paddlepaddle.org.cn/documentation/docs/zh/1.5/api_cn/dygraph_cn.html#load-persistables)进行恢复训练。
+##### 问题：出现未编译CUDA报错怎么办？
 
-----------
+![](https://ai-studio-static-online.cdn.bcebos.com/aba33440dd194ea397528f06bcb3574bddcf496b679b4da2832955b71cf65c76)
 
-##### 问题：训练后的模型很大，如何压缩？
+* 答复：报错是由于没有安装GPU版本的PaddlePaddle，CPU版本默认不包含CUDA检测功能。使用`pip install paddlepaddle-gpu -U` 即可。
 
-+ 答复：建议您使用飞桨模型压缩工具[PaddleSlim](https://www.paddlepaddle.org.cn/tutorials/projectdetail/489539)。PaddleSlim是飞桨开源的模型压缩工具库，包含模型剪裁、定点量化、知识蒸馏、超参搜索和模型结构搜索等一系列模型压缩策略，专注于**模型小型化技术**。
-
-----------
+-----
 
+##### 问题：增量训练中，如何保存模型和恢复训练？
 
++ 答复：在增量训练过程中，不仅需要保存模型的参数，也需要保存模型训练的状态（如learning_rate）。使用[save](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/fluid_cn/save_cn.html#save)保存模型训练的参数和状态；恢复训练时，使用[load](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/fluid_cn/load_cn.html#load)进行恢复训练。
 
-## 应用预测
+----------
 
-##### 问题：load_inference_model在加载预测模型时能否用py_reader读取？
+##### 问题：训练后的模型很大，如何压缩？
 
-+ 答复：目前`load_inference_model`加载进行的模型还不支持py_reader输入。
++ 答复：建议您使用飞桨模型压缩工具[PaddleSlim](https://www.paddlepaddle.org.cn/tutorials/projectdetail/489539)。PaddleSlim是飞桨开源的模型压缩工具库，包含模型剪裁、定点量化、知识蒸馏、超参搜索和模型结构搜索等一系列模型压缩策略，专注于**模型小型化技术**。
 
 ----------
 
@@ -283,7 +247,7 @@
 
 ##### 问题：使用optimizer或ParamAttr设置的正则化和学习率，二者什么差异？
 
-+ 答复：ParamAttr中定义的`regularizer`优先级更高。若ParamAttr中定义了`regularizer`，则忽略Optimizer中的`regularizer`；否则，则使用Optimizer中的`regularizer`。学习率的设置也可以参考此方式。
++ 答复：ParamAttr中定义的`regularizer`优先级更高。若ParamAttr中定义了`regularizer`，则忽略Optimizer中的`regularizer`；否则，则使用Optimizer中的`regularizer`。ParamAttr中的学习率默认为1，在对参数优化时，最终的学习率等于optimizer的学习率乘以ParamAttr的学习率。
 
 ----------
 
@@ -307,7 +271,7 @@
 
 + 错误分析：必选参数缺失导致。
 
-+ 答复：飞桨框架1.7版本之后需要在optimizer的设置中加入必选项`param_list`。
++ 答复：飞桨框架1.7版本之后，动态图模式下，需要在optimizer的设置中加入必选项`parameter_list`。
 
 ----------
 
@@ -316,3 +280,37 @@
 + 答复：如果设置`global_pooling`，则设置的`pool_size`将忽略，不会产生影响。
 
 ----------
+
+##### 问题：训练的step在参数优化器中是如何变化的？
+
+<img src="https://ai-studio-static-online.cdn.bcebos.com/610cd445435e40e1b1d8a4944a7448c35d89ea33ab364ad8b6804b8dd947e88c" style="zoom: 50%;" />
+
+* 答复：
+
+  `step`表示的是经历了多少组mini_batch，其统计方法为`exe.run`(对应Program)运行的当前次数，即每运行一次`exe.run`，step加1。举例代码如下：
+
+```python
+# 执行下方代码后相当于step增加了N x Epoch总数
+for epoch in range(epochs):
+	# 执行下方代码后step相当于自增了N
+	for data in [mini_batch_1,2,3...N]:
+		# 执行下方代码后step += 1
+		exe.run(data)
+```
+
+-----
+
+
+##### 问题：如何修改全连接层参数，比如weight，bias？
+
++ 答复：可以通过`param_attr`设置参数的属性，`fluid.ParamAttr( initializer=fluid.initializer.Normal(0.0, 0.02), learning_rate=2.0)`，如果`learning_rate`设置为0，该层就不参与训练。也可以构造一个numpy数据，使用`fluid.initializer.NumpyArrayInitializer`来给权重设置想要的值。
+
+----------
+
+## 应用预测
+
+##### 问题：load_inference_model在加载预测模型时能否用py_reader读取？
+
++ 答复：目前`load_inference_model`加载进行的模型还不支持py_reader输入。
+
+----------
\ No newline at end of file