add data doc

docs/zh_CN/tutorials/data.md

+# 数据说明
+
+---
+
+## 1.简介
+PaddleClas支持ImageNet1000和Flower数据分类任务。
+PaddleClas提供了丰富的预训练模型，支持的模型列表请参考[模型库](../models/models_intro.md)
+
+## 2.数据集准备
+
+数据集 | 训练集大小 | 测试集大小 | 类别数 | 备注|
+:------:|:---------------:|:---------------------:|:-----------:|:-----------:
+Flowers|1k | 6k | 102 | 
+[ImageNet](http://www.image-net.org/challenges/LSVRC/2012/)|1.2M| 50k | 1000 | 
+
+数据格式
+
+PaddleClas加载PaddleClas/dataset/中的数据，请将下载后的数据按下面格式组织放置到PaddleClas/dataset/中。
+
+```bash
+PaddleClas/dataset/imagenet
+|_ train
+|  |_ n01440764
+|  |  |_ n01440764_10026.JPEG
+|  |  |_ ...
+|  |_ ...
+|  |
+|  |_ n15075141
+|     |_ ...
+|     |_ n15075141_9993.JPEG
+|_ val
+|  |_ ILSVRC2012_val_00000001.JPEG
+|  |_ ...
+|  |_ ILSVRC2012_val_00050000.JPEG
+|_ train_list.txt
+|_ val_list.txt
+
+```bash
+PaddleClas/dataset/flower
+|_ train
+|  |_ image_03601.jpg 
+|  |_ ...
+|  |_ image_07073.jpg
+|_ val
+|  |_ image_04121.jpg
+|  |_ ...
+|  |_ image_02355.jpg
+|_ train_list.txt
+|_ val_list.txt
+```
+
+
+或是通过软链接将数据从实际地址链接到PaddleClas/dataset/下
+
+```bash
+#imagenet
+ln -s actual_path/imagenet path_to_PaddleClas/dataset/imagenet
+
+#flower
+ln -s actual_path/flower path_to_PaddleClas/dataset/flower
+
+```
+
+## 3.下载预训练模型
+通过tools/download.py下载所需要的预训练模型。
+
+```bash
+python tools/download.py -a ResNet50_vd -p ./pretrained -d True
+```
+
+参数说明：
++ `architecture`（简写 a）：模型结构
++ `path`（简写 p）：下载路径
++ `decompress` （简写 d）：是否解压

docs/zh_CN/tutorials/getting_started.md

 # 开始使用
 ---
 请事先参考[安装指南](install.md)配置运行环境
+有关模型库的基本信息请参考[README](https://github.com/PaddlePaddle/PaddleClas/blob/master/README.md)
 
 ## 一、设置环境变量
 

docs/zh_CN/tutorials/install.md

@@ -4,33 +4,43 @@
 
 ## 1.简介
 
-本章将介绍如何安装PaddleClas及其依赖项，准备ImageNet1k图像分类数据集和下载预训练模型。
+本章将介绍如何安装PaddleClas及其依赖项.
+有关模型库的基本信息请参考[README](https://github.com/PaddlePaddle/PaddleClas/blob/master/README.md)
 
 
 ## 2.安装PaddlePaddle
 
-运行PaddleClas需要PaddlePaddle Fluid v1.7或更高版本。请按照[安装文档](http://www.paddlepaddle.org.cn/install/quick)中的说明进行操作。
+运行PaddleClas需要PaddlePaddle Fluid v1.7或更高版本。
 
-使用以下命令进行验证。
+pip安装最新GPU版本PaddlePaddle
 
+```bash
+pip install paddlepaddle-gpu --upgrade
 ```
-# 在您的Python解释器中确认PaddlePaddle安装成功
->>> import paddle.fluid as fluid
->>> fluid.install_check.run_check()
 
-# 确认PaddlePaddle版本
-python -c "import paddle; print(paddle.__version__)"
+或是从源码安装PaddlePaddle，具体参照[安装文档](http://www.paddlepaddle.org.cn/install/quick)中的说明进行操作。
 
+使用以下命令验证
+
+```python
+import paddle.fluid as fluid
+fluid.install_check.run_check()
 ```
+
+查看PaddlePaddle版本
+
+```bash
+python -c "import paddle; print(paddle.__version__)"
+```
+
 注意：
 - 从源码编译的PaddlePaddle版本号为0.0.0，请确保使用了Fluid v1.7之后的源码编译。
-- PaddleClas基于PaddlePaddle高性能的分布式训练能力，若您从源码编译，请确保打开编译选项，**WITH_DISTRIBUTE=ON**。
-
+- PaddleClas基于PaddlePaddle高性能的分布式训练能力，若您从源码编译，请确保打开编译选项，**WITH_DISTRIBUTE=ON**。具体编译选项参考[编译选项表](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/install/Tables.html#id3)
 
-**环境需求:**
+**运行环境需求:**
 
 - Python2（官方已不提供更新维护）或Python3 (windows系统仅支持Python3)
-- CUDA >= 8.0
+- CUDA >= 9.0
 - cuDNN >= 5.0
 - nccl >= 2.1.2
 
@@ -53,40 +63,12 @@ pip install --upgrade -r requirements.txt
 ```
 
 
-## 4.下载ImageNet1K图像分类数据集
+## 4.数据集和预训练模型
 
-PaddleClas默认支持ImageNet1000分类任务。
-在Linux系统下通过如下方式进行数据准备：
-
-```
-cd dataset/ILSVRC2012/
-sh download_imagenet2012.sh
-```
-在```download_imagenet2012.sh```脚本中，通过下面三步来准备数据：
+PaddleClas加载PaddleClas/dataset/中数据进行训练，请参照[数据文档](./data.md)进行准备。
+PaddleClas提供丰富的预训练模型，请参照[数据文档](./data.md)进行准备。
 
-**步骤一：** 首先在```image-net.org```网站上完成注册，用于获得一对```Username```和```AccessKey```。
 
-**步骤二：** 从ImageNet官网下载ImageNet-2012的图像数据。训练以及验证数据集会分别被下载到"train" 和 "val" 目录中。注意，ImageNet数据的大小超过140GB，下载非常耗时；已经自行下载ImageNet的用户可以直接将数据按"train" 和 "val" 目录放到```dataset/ILSVRC2012```。
+## 5.开始使用
 
-**步骤三：** 下载训练与验证集合对应的标签文件。
-
-* train_list.txt: ImageNet-2012训练集合的标签文件，每一行采用"空格"分隔图像路径与标注，例如：
-```
-train/n02483708/n02483708_2436.jpeg 369
-```
-* val_list.txt: ImageNet-2012验证集合的标签文件，每一行采用"空格"分隔图像路径与标注，例如：
-```
-val/ILSVRC2012_val_00000001.jpeg 65
-```
-
-**Windows系统下请用户自行下载ImageNet数据，[label下载链接](http://paddle-imagenet-models.bj.bcebos.com/ImageNet_label.tgz)**
-
-
-
-## 5.下载预训练模型
-PaddleClas 提供了丰富的预训练模型，支持的模型列表请参考[模型库](../models/models_intro.md)。
-通过tools/download.py可以下载所需要的预训练模型。
-
-```bash
-python tools/download.py -a ResNet50_vd -p ./pretrained -d True
-```
+请参照[开始使用](./getting_started.md)文档