fix hyperlink for model_training and slim docs

docs/zh_CN_tmp/advanced_tutorials/model_prune_quantization.md

@@ -10,7 +10,7 @@
 本教程将介绍如何使用飞桨模型压缩库PaddleSlim做PaddleClas模型的压缩，即裁剪、量化功能。
 [PaddleSlim](https://github.com/PaddlePaddle/PaddleSlim) 集成了模型剪枝、量化（包括量化训练和离线量化）、蒸馏和神经网络搜索等多种业界常用且领先的模型压缩功能，如果您感兴趣，可以关注并了解。
 
-在开始本教程之前，建议先了解[PaddleClas模型的训练方法](../../zh_CN/tutorials/getting_started.md)以及[PaddleSlim](https://paddleslim.readthedocs.io/zh_CN/latest/index.html)，相关裁剪、量化方法可以参考[模型裁剪量化算法介绍文档](../algorithm_introduction/model_prune_quantization.md)。
+在开始本教程之前，建议先了解[PaddleClas模型的训练方法](../models_training/classification.md)以及[PaddleSlim](https://paddleslim.readthedocs.io/zh_CN/latest/index.html)，相关裁剪、量化方法可以参考[模型裁剪量化算法介绍文档](../algorithm_introduction/model_prune_quantization.md)。
 
 
 ## 快速开始
@@ -41,7 +41,7 @@ python3.7 setup.py install
 
 ### 2. 准备训练好的模型
 
-PaddleClas提供了一系列训练好的[模型](../../zh_CN/models/models_intro.md)，如果待量化的模型不在列表中，需要按照[常规训练](../../zh_CN/tutorials/getting_started.md)方法得到训练好的模型。
+PaddleClas提供了一系列训练好的[模型](../models/models_intro.md)，如果待量化的模型不在列表中，需要按照[常规训练](../models_training/classification.md)方法得到训练好的模型。
 
 ### 3. 模型裁剪、量化
 
@@ -69,7 +69,7 @@ cd PaddleClas
 python3.7 tools/train.py -c ppcls/configs/slim/ResNet50_vd_quantization.yaml -o Global.device=cpu
 ```
 
-其中`yaml`文件解析详见[参考文档](../../zh_CN/tutorials/config_description.md)。为了保证精度，`yaml`文件中已经使用`pretrained model`.
+其中`yaml`文件解析详见[参考文档](../models_training/config_description.md)。为了保证精度，`yaml`文件中已经使用`pretrained model`.
 
 
 * 单机多卡/多机多卡启动
@@ -84,7 +84,7 @@ python3.7 -m paddle.distributed.launch \
 
 ##### 3.1.2 离线量化
 
-**注意**：目前离线量化，必须使用已经训练好的模型，导出的`inference model`进行量化。一般模型导出`inference model`可参考[教程](../../zh_CN/inference.md).
+**注意**：目前离线量化，必须使用已经训练好的模型，导出的`inference model`进行量化。一般模型导出`inference model`可参考[教程](../inference_deployment/export_model.md).
 
 一般来说，离线量化损失模型精度较多。
 
@@ -134,8 +134,10 @@ python3.7 tools/export.py \
 
 ### 5. 模型部署
 
-上述步骤导出的模型可以通过PaddleLite的opt模型转换工具完成模型转换。
-模型部署的可参考 [移动端模型部署](../../../deploy/lite/readme.md)
+上述步骤导出的模型可以直接使用inferecne 进行部署，参考[inference部署](../inference_deployment/)。
+
+也通过PaddleLite的opt模型转换工具，完成inference模型到移动端模型转换，用于移动端的模型部署。
+移动端模型部署的可参考 [移动端模型部署](../../../deploy/lite/readme.md)
 
 
 ## 训练超参数建议

docs/zh_CN_tmp/algorithm_introduction/model_prune_quantization.md

@@ -14,23 +14,26 @@
 **PACT量化（PArameterized Clipping acTivation**是一种新的量化方法，该方法通过在量化激活值之前去掉一些离群点，将模型量化带来的精度损失降到最低，甚至比原模型准确率更高。提出方法的背景是作者发现：“在运用权重量化方案来量化activation时，激活值的量化结果和全精度结果相差较大”。作者发现，activation的量化可能引起的误差很大(相较于weight基本在 0到1范围内，activation的值的范围是无限大的，这是RELU的结果)，所以提出**截断式RELU** 的激活函数。该截断的上界，即$α$ 是可学习的参数，这保证了每层能够通过训练学习到不一样的量化范围，最大程度降低量化带来的舍入误差。其中量化的示意图如下图所示，**PACT**解决问题的方法是，不断裁剪激活值范围，使得激活值分布收窄，从而降低量化映射损失。**PACT**通过对激活数值做裁剪，从而减少激活分布中的离群点，使量化模型能够得到一个更合理的量化scale，降低量化损失。
 
 <div align="center">
-<img src="./quantization.jpg"  width = "600" />
+<img src="../../images/algorithm_introduction/quantization.jpg"  width = "600" />
 </div>
 
+
 **PACT**量化公式如下：
 
 <div align="center">
-<img src="./quantization_formula.png"  width = "800" height="100"/>
+<img src="../../images/algorithm_introduction/quantization_formula.png"  width = "800" height="100"/>
 </div>
 
 
+
 可以看出PACT思想是用上述量化代替*ReLU*函数，对大于零的部分进行一个截断操作，截断阈值为$a$。但是在*PaddleSlim*中对上述公式做了进一步的改进，其改进如下：
 
 <div align="center">
-<img src="./quantization_formula_slim.png"  width = "550" height="120"/>
+<img src="../../images/algorithm_introduction/quantization_formula_slim.png"  width = "550" height="120"/>
 </div>
 
 
+
 经过如上改进后，在激活值和待量化的OP（卷积，全连接等）之间插入*PACT*预处理，不只对大于0的分布进行截断，同时也对小于0的部分做同样的限制，从而更好地得到待量化的范围，降低量化损失。同时，截断阈值是一个可训练的参数，在量化训练过程中，模型会自动的找到一个合理的截断阈值，从而进一步降低量化精度损失。
 
 算法具体参数请参考PaddleSlim中[参数介绍](https://github.com/PaddlePaddle/PaddleSlim/blob/release/2.0.0/docs/zh_cn/api_cn/dygraph/quanter/qat.rst#qat)。
@@ -45,9 +48,10 @@
 基于此，**FPGM**利用层中filter的几何中心特性，由于那些靠近中心的filter可以被其它的表达，因而可以将其剔除，从而避免了上面提到的两点剪枝条件，从信息的冗余度出发，而不是选择范数少的进行剪枝。下图展示了**FPGM**方法与之前方法的不同，具体细节请详看[论文](https://openaccess.thecvf.com/content_CVPR_2019/papers/He_Filter_Pruning_via_Geometric_Median_for_Deep_Convolutional_Neural_Networks_CVPR_2019_paper.pdf)。
 
 <div align="center">
-<img src="./fpgm.png"  width = "600" />
+<img src="../../images/algorithm_introduction/fpgm.png"  width = "600" />
 </div>
 
 
 
+
 算法具体参数请参考PaddleSlim中[参数介绍](https://github.com/PaddlePaddle/PaddleSlim/blob/release/2.0.0/docs/zh_cn/api_cn/dygraph/pruners/fpgm_filter_pruner.rst#fpgmfilterpruner)。

docs/zh_CN_tmp/models_training/classification.md

@@ -6,7 +6,7 @@
 
 图像分类是计算机视觉里很基础但又重要的一个领域，其研究成果一直影响着计算机视觉甚至深度学习的发展，图像分类有很多子领域，如多标签分类、细粒度分类等，此处只对单标签图像分类做一个简述。
 
-具体图像分类算法介绍详见[文档](../algorithm_introduction/classificaiton_models.md)。
+具体图像分类算法介绍详见[文档](../algorithm_introduction/image_classification.md)。
 
 ## 一、数据集介绍
 
@@ -24,15 +24,15 @@ CIFAR-10数据集由10个类的60000个彩色图像组成，图像分辨率为32
 
 ### 2.1 数据及其预处理
 
-数据的质量及数量往往可以决定一个模型的好坏。在图像分类领域，数据包括图像及标签。在大部分情形下，带有标签的数据比较匮乏，所以数量很难达到使模型饱和的程度，为了可以使模型学习更多的图像特征，图像数据在进入模型之前要经过很多图像变换或者数据增强，来保证输入图像数据的多样性，从而保证模型有更好的泛化能力。PaddleClas提供了训练ImageNet-1k的标准图像变换，也提供了8中数据增强的方法，相关代码可以[数据处理](../../../ppcls/data/preprocess)，配置文件可以参考[数据增强配置文件](../../../ppcls/configs/ImageNet/DataAugment)。
+数据的质量及数量往往可以决定一个模型的好坏。在图像分类领域，数据包括图像及标签。在大部分情形下，带有标签的数据比较匮乏，所以数量很难达到使模型饱和的程度，为了可以使模型学习更多的图像特征，图像数据在进入模型之前要经过很多图像变换或者数据增强，来保证输入图像数据的多样性，从而保证模型有更好的泛化能力。PaddleClas提供了训练ImageNet-1k的标准图像变换，也提供了多种数据增强的方法，相关代码可以[数据处理](../../../ppcls/data/preprocess)，配置文件可以参考[数据增强配置文件](../../../ppcls/configs/ImageNet/DataAugment)， 相关数据增强算法详见数据[增强介绍文档](../algorithm_introduction/DataAugmentation.md)。
 
 ### 2.2 模型准备
 
-在数据确定后，模型往往决定了最终算法精度的上限，在图像分类领域，经典的模型层出不穷，PaddleClas提供了35个系列共164个ImageNet预训练模型。具体的精度、速度等指标请参考[骨干网络和预训练模型库](../ImageNet_models_cn.md)。
+在数据确定后，模型往往决定了最终算法精度的上限，在图像分类领域，经典的模型层出不穷，PaddleClas提供了35个系列共164个ImageNet预训练模型。具体的精度、速度等指标请参考[骨干网络和预训练模型库](../algorithm_introduction/ImageNet_models.md)。
 
 ### 2.3 模型训练
 
-在准备好数据、模型后，便可以开始迭代模型并更新模型的参数。经过多次迭代最终可以得到训练好的模型来做图像分类任务。图像分类的训练过程需要很多经验，涉及很多超参数的设置，PaddleClas提供了一些列的[训练调优方法](../models/Tricks.md)，可以快速助你获得高精度的模型。
+在准备好数据、模型后，便可以开始迭代模型并更新模型的参数。经过多次迭代最终可以得到训练好的模型来做图像分类任务。图像分类的训练过程需要很多经验，涉及很多超参数的设置，PaddleClas提供了一些列的[训练调优方法](./train_strategy.md)，可以快速助你获得高精度的模型。
 
 ### 2.4 模型评估
 
@@ -40,7 +40,7 @@ CIFAR-10数据集由10个类的60000个彩色图像组成，图像分辨率为32
 
 ## 三、使用方法介绍
 
-请参考[安装指南](../../zh_CN/tutorials/install.md)配置运行环境，并根据[快速开始](../../zh_CN/tutorials/quick_start_new_user.md)文档准备flower102数据集，本章节下面所有的实验均以flower102数据集为例。
+请参考[安装指南](../installation/install_paddleclas.md)配置运行环境，并根据[快速开始](../quick_start/quick_start_classification.md)文档准备flower102数据集，本章节下面所有的实验均以flower102数据集为例。
 
 PaddleClas目前支持的训练/评估环境如下：
 ```shell
@@ -109,7 +109,7 @@ python3 tools/train.py \
 
 其中`Arch.pretrained`设置为`True`表示加载ImageNet的预训练模型，此外，`Arch.pretrained`也可以指定具体的模型权重文件的地址，使用时需要换成自己的预训练模型权重文件的路径。
 
-我们也提供了大量基于`ImageNet-1k`数据集的预训练模型，模型列表及下载地址详见[模型库概览](../models/models_intro.md)。
+我们也提供了大量基于`ImageNet-1k`数据集的预训练模型，模型列表及下载地址详见[模型库概览](../algorithm_introduction/ImageNet_models.md)。
 
 <a name="3.1.3"></a>
 
@@ -162,7 +162,7 @@ python3 tools/eval.py \
 * `Arch.name`：模型名称
 * `Global.pretrained_model`：待评估的模型预训练模型文件路径
 
-**注意：** 在加载待评估模型时，需要指定模型文件的路径，但无需包含文件后缀名，PaddleClas会自动补齐`.pdparams`的后缀，如[1.3 模型恢复训练](#1.3)。
+**注意：** 在加载待评估模型时，需要指定模型文件的路径，但无需包含文件后缀名，PaddleClas会自动补齐`.pdparams`的后缀，如[3.1.3 模型恢复训练](#3.1.3)。
 
 <a name="3.2"></a>
 
@@ -234,10 +234,10 @@ python3 -m paddle.distributed.launch \
         -o Global.pretrained_model=./output/MobileNetV3_large_x1_0/best_model
 ```
 
-参数说明详见[1.4 模型评估](#1.4)。
-
+参数说明详见[3.1.4 模型评估](#3.1.4)。
 
 <a name="model_infer"></a>
+
 ### 3.3 使用预训练模型进行模型预测
 
 模型训练完成之后，可以加载训练得到的预训练模型，进行模型预测。在模型库的 `tools/infer/infer.py` 中提供了完整的示例，只需执行下述命令即可完成模型预测：

docs/zh_CN_tmp/models_training/recognition.md

@@ -13,20 +13,20 @@
 <div align="center">
 <img src="../../images/structure.png"  width = "400" />
 </div>
-体验整体图像识别系统，或查看特征库建立方法，详见[图像识别快速开始文档](../../zh_CN/tutorials/quick_start_recognition.md) 。其中，图像识别快速开始文档主要讲解整体流程的使用过程。以下内容，主要对上述三个步骤的训练部分进行介绍。
+体验整体图像识别系统，或查看特征库建立方法，详见[图像识别快速开始文档](../quick_start/quick_start_recognition.md) 。其中，图像识别快速开始文档主要讲解整体流程的使用过程。以下内容，主要对上述三个步骤的训练部分进行介绍。
 
-首先，请参考[安装指南](./install.md)配置运行环境。
+首先，请参考[安装指南](../installation/install_paddleclas.md)配置运行环境。
 
 具体目录如下：
 
 - [主体检测](#主体检测)
-- [特征模型训练](特征模型训练)
+- [特征模型训练](#特征模型训练)
   - [2.1. 特征模型数据准备与处理](#特征模型数据准备与处理)
   - [2. 特征模型基于单卡GPU上的训练与评估](#特征模型基于单卡GPU上的训练与评估)
     - [2.1 特征模型训练](#特征模型训练)
-    - [2.2 特征模型恢复训练](#模型恢复训练)
+    - [2.2 特征模型恢复训练](#特征模型恢复训练)
     - [2.3 特征模型评估](#特征模型评估)
-  - [3. 特征模型导出inference模型](#特征导出inference模型)
+  - [3. 特征模型导出inference模型](#特征模型导出inference模型)
 - [特征检索](#特征检索)
 - [基础知识](#基础知识)
 
@@ -44,7 +44,6 @@
 
 更多关于 PaddleClas 中提供的主体检测的模型介绍与下载请参考：[主体检测教程](../image_recognition_pipeline/mainbody_detection.md)。
 
-
 <a name="特征模型训练"></a>  
 
 ## 二、特征模型训练
@@ -312,9 +311,10 @@ pip install faiss-cpu==1.7.1post2
 <a name="度量学习"></a>
 - 度量学习（Metric Learning）
 
-度量学习研究如何在一个特定的任务上学习一个距离函数，使得该距离函数能够帮助基于近邻的算法 (kNN、k-means等) 取得较好的性能。深度度量学习 (Deep Metric Learning )是度量学习的一种方法，它的目标是学习一个从原始特征到低维稠密的向量空间 (嵌入空间，embedding space) 的映射，使得同类对象在嵌入空间上使用常用的距离函数 (欧氏距离、cosine距离等) 计算的距离比较近，而不同类的对象之间的距离则比较远。深度度量学习在计算机视觉领域取得了非常多的成功的应用，比如人脸识别、商品识别、图像检索、行人重识别等。
+度量学习研究如何在一个特定的任务上学习一个距离函数，使得该距离函数能够帮助基于近邻的算法 (kNN、k-means等) 取得较好的性能。深度度量学习 (Deep Metric Learning )是度量学习的一种方法，它的目标是学习一个从原始特征到低维稠密的向量空间 (嵌入空间，embedding space) 的映射，使得同类对象在嵌入空间上使用常用的距离函数 (欧氏距离、cosine距离等) 计算的距离比较近，而不同类的对象之间的距离则比较远。深度度量学习在计算机视觉领域取得了非常多的成功的应用，比如人脸识别、商品识别、图像检索、行人重识别等。更详细的介绍请参考[此文档](../algorithm_introduction/metric_learning.md)。
 
 <a name="图像检索数据集介绍"></a>
+
 - 图像检索数据集介绍
 
   - 训练集合（train dataset）：用来训练模型，使模型能够学习该集合的图像特征。