Amend Chinese version README about using Paddle-Lite to deploy

deploy/lite/readme.md

@@ -26,13 +26,13 @@ Paddle Lite是飞桨轻量化推理引擎，为手机、IOT端提供高效推理
       |平台|预测库下载链接|
       |-|-|
       |Android|[arm7](https://paddlelite-data.bj.bcebos.com/Release/2.6.1/Android/inference_lite_lib.android.armv7.gcc.c++_static.with_extra.CV_ON.tar.gz) / [arm8](https://paddlelite-data.bj.bcebos.com/Release/2.6.1/Android/inference_lite_lib.android.armv8.gcc.c++_static.with_extra.CV_ON.tar.gz)|
-      |IOS|[arm7](https://paddlelite-data.bj.bcebos.com/Release/2.6.1/iOS/inference_lite_lib.ios.armv7.with_extra.CV_ON.tar.gz) / [arm8](https://paddlelite-data.bj.bcebos.com/Release/2.6.1/iOS/inference_lite_lib.ios64.armv8.with_extra.CV_ON.tar.gz)|
+      |iOS|[arm7](https://paddlelite-data.bj.bcebos.com/Release/2.6.1/iOS/inference_lite_lib.ios.armv7.with_extra.CV_ON.tar.gz) / [arm8](https://paddlelite-data.bj.bcebos.com/Release/2.6.1/iOS/inference_lite_lib.ios64.armv8.with_extra.CV_ON.tar.gz)|
 
-      注：1. 如果是从下Paddle-Lite[官网文档](https://paddle-lite.readthedocs.io/zh/latest/user_guides/release_lib.html#android-toolchain-gcc)下载的预测库，
+      注：1. 如果是从 Paddle-Lite [官方文档](https://paddle-lite.readthedocs.io/zh/latest/user_guides/release_lib.html#android-toolchain-gcc)下载的预测库，
       注意选择`with_extra=ON，with_cv=ON`的下载链接。2. 如果使用量化的模型部署在端侧，建议使用Paddle-Lite develop分支编译预测库。
 
 2. 编译Paddle-Lite得到预测库，Paddle-Lite的编译方式如下：
-```
+```shell
 git clone https://github.com/PaddlePaddle/Paddle-Lite.git
 cd Paddle-Lite
 # 如果使用编译方式，建议使用develop分支编译预测库
@@ -40,10 +40,9 @@ git checkout develop
 ./lite/tools/build_android.sh  --arch=armv8  --with_cv=ON --with_extra=ON
 ```
 
-注意：编译Paddle-Lite获得预测库时，需要打开`--with_cv=ON --with_extra=ON`两个选项，`--arch`表示`arm`版本，这里指定为armv8，更多编译命令介绍请参考[链接](https://paddle-lite.readthedocs.io/zh/latest/user_guides/Compile/Android.html#id2)。
+**注意**：编译Paddle-Lite获得预测库时，需要打开`--with_cv=ON --with_extra=ON`两个选项，`--arch`表示`arm`版本，这里指定为armv8，更多编译命令介绍请参考[链接](https://paddle-lite.readthedocs.io/zh/latest/user_guides/Compile/Android.html#id2)。
 
-直接下载预测库并解压后，可以得到`inference_lite_lib.android.armv8/`文件夹，通过编译Paddle-Lite得到的预测库位于
-`Paddle-Lite/build.lite.android.armv8.gcc/inference_lite_lib.android.armv8/`文件夹下。
+直接下载预测库并解压后，可以得到`inference_lite_lib.android.armv8/`文件夹，通过编译Paddle-Lite得到的预测库位于`Paddle-Lite/build.lite.android.armv8.gcc/inference_lite_lib.android.armv8/`文件夹下。
 预测库的文件目录如下：
 
 ```
@@ -75,13 +74,13 @@ inference_lite_lib.android.armv8/
 
 ### 2.1 模型优化
 
-Paddle-Lite 提供了多种策略来自动优化原始的模型，其中包括量化、子图融合、混合调度、Kernel优选等方法，使用Paddle-lite的opt工具可以自动对inference模型进行优化，优化后的模型更轻量，模型运行速度更快。有2种方式对inference模型进行优化。
+Paddle-Lite 提供了多种策略来自动优化原始的模型，其中包括量化、子图融合、混合调度、Kernel优选等方法，使用Paddle-Lite的`opt`工具可以自动对inference模型进行优化，目前支持两种优化方式，优化后的模型更轻量，模型运行速度更快。
 
 **注意**：如果已经准备好了 `.nb` 结尾的模型文件，可以跳过此步骤。
 
 #### 2.1.1 [建议]pip安装paddlelite并进行转换
 
-* python下安装paddlelite
+Python下安装 `paddlelite`，目前最高支持`Python3.7`。
 
 ```shell
 pip install paddlelite
@@ -104,8 +103,8 @@ pip install paddlelite
 
 #### 2.1.2 源码编译Paddle-Lite生成opt工具
 
-模型优化需要Paddle-Lite的opt可执行文件，可以通过编译Paddle-Lite源码获得，编译步骤如下：
-```
+模型优化需要Paddle-Lite的`opt`可执行文件，可以通过编译Paddle-Lite源码获得，编译步骤如下：
+```shell
 # 如果准备环境时已经clone了Paddle-Lite，则不用重新clone Paddle-Lite
 git clone https://github.com/PaddlePaddle/Paddle-Lite.git
 cd Paddle-Lite
@@ -114,130 +113,145 @@ git checkout develop
 ./lite/tools/build.sh build_optimize_tool
 ```
 
-编译完成后，opt文件位于`build.opt/lite/api/`下，可通过如下方式查看opt的运行选项和使用方式；
-```
+编译完成后，`opt`文件位于`build.opt/lite/api/`下，可通过如下方式查看`opt`的运行选项和使用方式；
+```shell
 cd build.opt/lite/api/
 ./opt
 ```
 
 `opt`的使用方式与参数与上面的`paddle_lite_opt`完全一致。
 
+<a name="2.1.3"></a>
 
 #### 2.1.3 转换示例
 
-下面以PaddleClas的`MobileNetV3_large_x1_0`模型为例，介绍使用`paddle_lite_opt`完成预训练模型到inference模型，再到Paddle-Lite优化模型的转换。
+下面以PaddleClas的 `MobileNetV3_large_x1_0` 模型为例，介绍使用`paddle_lite_opt`完成预训练模型到inference模型，再到Paddle-Lite优化模型的转换。
 
 ```shell
 # 进入PaddleClas根目录
 cd PaddleClas_root_path
+export PYTHONPATH=$PWD
+
 # 下载并解压预训练模型
 wget https://paddle-imagenet-models-name.bj.bcebos.com/MobileNetV3_large_x1_0_pretrained.tar
-tar -xf MobileNetV3_large_x1_0_pretrained
+tar -xf MobileNetV3_large_x1_0_pretrained.tar
+
 # 将预训练模型导出为inference模型
 python tools/export_model.py -m MobileNetV3_large_x1_0 -p ./MobileNetV3_large_x1_0_pretrained/ -o ./MobileNetV3_large_x1_0_inference/
+
 # 将inference模型转化为Paddle-Lite优化模型
 paddle_lite_opt --model_file=./MobileNetV3_large_x1_0_inference/model --param_file=./MobileNetV3_large_x1_0_inference/params --optimize_out=./MobileNetV3_large_x1_0
 ```
 
 最终在当前文件夹下生成`MobileNetV3_large_x1_0.nb`的文件。
 
+**注意**：`--optimize_out` 参数为优化后模型的保存路径，无需加后缀`.nb`；`--model_file` 参数为模型结构信息文件的路径，`--param_file` 参数为模型权重信息文件的路径，请注意文件名。
 
 <a name="2.2与手机联调"></a>
 ### 2.2 与手机联调
 
 首先需要进行一些准备工作。
 1. 准备一台arm8的安卓手机，如果编译的预测库和opt文件是armv7，则需要arm7的手机，并修改Makefile中`ARM_ABI = arm7`。
-2. 打开手机的USB调试选项，选择文件传输模式，连接电脑。
-3. 电脑上安装adb工具，用于调试。 adb安装方式如下：
+2. 电脑上安装ADB工具，用于调试。 ADB安装方式如下：
 
     3.1. MAC电脑安装ADB:
-    ```
+
+    ```shell
     brew cask install android-platform-tools
     ```
     3.2. Linux安装ADB
-    ```
+    ```shell
     sudo apt update
     sudo apt install -y wget adb
     ```
     3.3. Window安装ADB
 
-    win上安装需要去谷歌的安卓平台下载adb软件包进行安装：[链接](https://developer.android.com/studio)
+    win上安装需要去谷歌的安卓平台下载ADB软件包进行安装：[链接](https://developer.android.com/studio)
 
-    打开终端，手机连接电脑，在终端中输入
-    ```
-    adb devices
-    ```
-    如果有device输出，则表示安装成功。
-    ```
-       List of devices attached
-       744be294    device
-    ```
+4. 手机连接电脑后，开启手机`USB调试`选项，选择`文件传输`模式，在电脑终端中输入：
 
-4. 准备优化后的模型、预测库文件、测试图像和类别映射文件。
+```shell
+adb devices
+```
+如果有device输出，则表示安装成功，如下所示：
+```
+List of devices attached
+744be294    device
+```
+
+5. 准备优化后的模型、预测库文件、测试图像和类别映射文件。
 
 ```shell
 cd PaddleClas_root_path
 cd deploy/lite/
-# 运行prepare.sh，准备预测库文件、测试图像和使用的字典文件，并放置在预测库中的demo/cxx/clas文件夹下
+
+# 运行prepare.sh
+# prepare.sh 会将预测库文件、测试图像和使用的字典文件放置在预测库中的demo/cxx/clas文件夹下
 sh prepare.sh /{lite prediction library path}/inference_lite_lib.android.armv8
 
 # 进入lite demo的工作目录
 cd /{lite prediction library path}/inference_lite_lib.android.armv8/
 cd demo/cxx/clas/
+
 # 将C++预测动态库so文件复制到debug文件夹中
 cp ../../../cxx/lib/libpaddle_light_api_shared.so ./debug/
 ```
 
- 准备测试图像，以`PaddleClas/deploy/lite/imgs/tabby_cat.jpg`为例，将测试的图像复制到`demo/cxx/clas/debug/`文件夹下。
- 准备`paddle_lite_opt`工具优化后的模型文件，比如使用`MobileNetV3_large_x1_0.nb`，模型文件放置在`demo/cxx/clas/debug/`文件夹下。
+`prepare.sh` 以 `PaddleClas/deploy/lite/imgs/tabby_cat.jpg` 作为测试图像，将测试图像复制到`demo/cxx/clas/debug/` 文件夹下。
+将 `paddle_lite_opt` 工具优化后的模型文件放置到 `/{lite prediction library path}/inference_lite_lib.android.armv8/demo/cxx/clas/debug/` 文件夹下。本例中，使用[2.1.3](#2.1.3)生成的 `MobileNetV3_large_x1_0.nb` 模型文件。
 
- 执行完成后，clas文件夹下将有如下文件格式：
+执行完成后，clas文件夹下将有如下文件格式：
 
-```shell
+```
 demo/cxx/clas/
 |-- debug/
-|   |--MobileNetV3_large_x1_0.nb                优化后的文字方向分类器模型文件
-|   |--tabby_cat.jpg                           待测试图像
+|   |--MobileNetV3_large_x1_0.nb                优化后的分类器模型文件
+|   |--tabby_cat.jpg                           	待测试图像
 |   |--imagenet1k_label_list.txt                类别映射文件
 |   |--libpaddle_light_api_shared.so    C++预测库文件
 |   |--config.txt                       分类预测超参数配置
-|-- config.txt                  分类预测超参数配置
-|-- image_classfication.cpp            图像分类代码文件
-|-- Makefile                    编译文件
+|-- config.txt                  				分类预测超参数配置
+|-- image_classfication.cpp            	图像分类代码文件
+|-- Makefile                    				编译文件
 ```
 
 #### 注意：
-1. `imagenet1k_label_list.txt`是ImageNet1k数据集的类别映射文件，如果是自定义的类别，需要更换该类别映射文件。
+* 上述文件中，`imagenet1k_label_list.txt` 是ImageNet1k数据集的类别映射文件，如果使用自定义的类别，需要更换该类别映射文件。
 
-2.  `config.txt` 包含了检测器、分类器的超参数，如下：
-```
+*  `config.txt` 包含了分类器的超参数，如下：
+
+```shell
 clas_model_file ./MobileNetV3_large_x1_0.nb # 模型文件地址
-label_path ./imagenet1k_label_list.txt # 类别映射文本文件
+label_path ./imagenet1k_label_list.txt 			# 类别映射文本文件
 resize_short_size 256 # resize之后的短边边长
-crop_size 224 # 裁剪后用于预测的边长
+crop_size 224 				# 裁剪后用于预测的边长
 visualize 0 # 是否进行可视化，如果选择的话，会在当前文件夹下生成名为clas_result.png的图像文件。
 ```
 
-3. 启动调试：上述步骤完成后就可以使用adb将文件push到手机上运行，步骤如下：
+5. 启动调试，上述步骤完成后就可以使用ADB将文件夹 `debug/` push到手机上运行，步骤如下：
 
-```
+```shell
 # 执行编译，得到可执行文件clas_system
-# clas_system可执行文件的使用方式为:
-# ./clas_system 配置文件路径  测试图像路径
 make -j
-# 将编译的可执行文件移动到debug文件夹中
+
+# 将编译得到的可执行文件移动到debug文件夹中
 mv clas_system ./debug/
-# 将debug文件夹push到手机上
+
+# 将上述debug文件夹push到手机上
 adb push debug /data/local/tmp/
+
 adb shell
 cd /data/local/tmp/debug
 export LD_LIBRARY_PATH=/data/local/tmp/debug:$LD_LIBRARY_PATH
+
+# clas_system可执行文件的使用方式为:
+# ./clas_system 配置文件路径  测试图像路径
 ./clas_system ./config.txt ./tabby_cat.jpg
- ```
+```
 
- 如果对代码做了修改，则需要重新编译并push到手机上。
+如果对代码做了修改，则需要重新编译并push到手机上。
 
- 运行效果如下：
+运行效果如下：
 
 <div align="center">
     <img src="./imgs/lite_demo_result.png" width="600">
@@ -246,7 +260,7 @@ export LD_LIBRARY_PATH=/data/local/tmp/debug:$LD_LIBRARY_PATH
 
 ## FAQ
 Q1：如果想更换模型怎么办，需要重新按照流程走一遍吗？  
-A1：如果已经走通了上述步骤，更换模型只需要替换`.nb`模型文件即可，同时要注意修改下配置文件中的nb文件路径以及类别映射文件（如有必要）。
+A1：如果已经走通了上述步骤，更换模型只需要替换 `.nb` 模型文件即可，同时要注意修改下配置文件中的 `.nb` 文件路径以及类别映射文件（如有必要）。
 
 Q2：换一个图测试怎么做？  
-A2：替换debug下的测试图像为你想要测试的图像，adb push 到手机上即可。
+A2：替换 debug 下的测试图像为你想要测试的图像，使用 ADB 再次 push 到手机上即可。