fix

configs/flower.yaml

+mode: 'train'
+architecture: 'ResNet50_vd'
+pretrained_model:
+model_save_dir: "./output/"
+classes_num: 102
+total_images: 1020
+save_interval: 10
+validate: True
+valid_interval: 1
+epochs: 40
+topk: 5
+image_shape: [3, 224, 224]
+
+ls_epsilon: 0.1
+
+LEARNING_RATE:
+    function: 'Cosine'          
+    params:                   
+        lr: 0.00375             
+
+OPTIMIZER:
+    function: 'Momentum'
+    params:
+        momentum: 0.9
+    regularizer:
+        function: 'L2'
+        factor: 0.000001
+
+TRAIN:
+    batch_size: 32
+    num_workers: 1
+    file_list: "./dataset/flower102/train_list.txt"
+    data_dir: "./dataset/flower102"
+    shuffle_seed: 0
+    transforms:
+        - DecodeImage:
+            to_rgb: True
+            to_np: False
+            channel_first: False
+        - RandCropImage:
+            size: 224
+        - RandFlipImage:
+            flip_code: 1
+        - NormalizeImage:
+            scale: 1./255.
+            mean: [0.485, 0.456, 0.406]
+            std: [0.229, 0.224, 0.225]
+            order: ''
+        - ToCHWImage:
+    #mix:                       
+    #    - MixupOperator:    
+    #        alpha: 0.2      
+
+VALID:
+    batch_size: 64
+    num_workers: 1
+    file_list: "./dataset/flower102/val_list.txt"
+    data_dir: "./dataset/flower102/"
+    shuffle_seed: 0
+    transforms:
+        - DecodeImage:
+            to_rgb: True
+            to_np: False
+            channel_first: False
+        - ResizeImage:
+            resize_short: 256
+        - CropImage:
+            size: 224
+        - NormalizeImage:
+            scale: 1.0/255.0
+            mean: [0.485, 0.456, 0.406]
+            std: [0.229, 0.224, 0.225]
+            order: ''
+        - ToCHWImage:

docs/zh_CN/tutorials/data.md

@@ -4,7 +4,7 @@
 
 ## 1.简介
 本文档介绍ImageNet1k和Flower102数据准备过程。
-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)
+以及PaddleClas提供了丰富的[预训练模型](../models/models_intro.md)
 
 ## 2.数据集准备
 
@@ -14,8 +14,15 @@ PaddleClas提供了丰富的预训练模型，支持的模型列表请参考[模
 [ImageNet1k](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，通过指定data_dir和file_list来进行加载
+按照如下结构组织数据，其中train_list.txt 和val_list.txt的格式形如
 
+```
+#path_to_image Class
+
+ILSVRC2012_val_00000001.JPEG 65
+...
+
+```
 ### ImageNet1k
 从官方下载数据后，按如下组织数据
 
@@ -38,7 +45,7 @@ PaddleClas/dataset/imagenet/
 |_ val_list.txt
 ```
 ### Flower
-从VGG官方网站下载后的数据，解压后包括
+从[VGG官方网站](https://www.robots.ox.ac.uk/~vgg/data/flowers/102/)下载后的数据，解压后包括
 jpg/
 setid.mat
 imagelabels.mat
@@ -63,16 +70,6 @@ PaddleClas/dataset/flower102/
 |_ 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。

docs/zh_CN/tutorials/finetune.md

-# 模型微调
-
-本文档将介绍如何使用PaddleClas进行模型微调（finetune）
-模型微调使用PaddleClas提供的预训练模型，可以节省从头训练的计算资源和时间，并提高准确率。
-
-> 在使用ResNet50_vd_ssld蒸馏模型对flower102数据进行模型微调，仅需要3分钟（V100 单卡）top1即可达到94.96%
-
-
-模型微调大致包括如下四个步骤：
-- 初始化预训练模型
-- 剔除FC层
-- 更新参数
-- 新的训练策略
-
-
-## 初始化预训练模型
-
-这里我们以ResNet50_vd和ResNet50_vd_ssld预训练模型对flower102数据集进行微调
-
-ResNet50_vd： 在ImageNet1k数据集上训练 top1 acc：79.1% 模型详细信息参考[模型库](https://paddleclas.readthedocs.io/zh_CN/latest/models/ResNet_and_vd.html)
-
-ResNet50_vd_ssld： 在ImageNet1k数据集训练的蒸馏模型 top1： 82.4% 模型详细信息参考[模型库](https://paddleclas.readthedocs.io/zh_CN/latest/models/ResNet_and_vd.html)
-
-flower数据集相关信息参考[数据文档](data.md)
-
-指定pretrained_model参数初始化预训练模型
-ResNet50_vd：
-
-```bash
-python -m paddle.distributed.launch \
-    --selected_gpus="0" \
-    tools/train.py \
-        -c ./configs/finetune/ResNet50_vd_finetune.yaml
-        -o pretrained_model= ResNet50_vd预训练模型
-```
-
-ResNet50_vd_ssld：
-
-```bash
-python -m paddle.distributed.launch \
-    --selected_gpus="0" \
-    tools/train.py \
-        -c ./configs/finetune/ResNet50_vd_ssld_finetune.yaml
-        -o pretrained_model= ResNet50_vd_ssld预训练模型
-```
-
-
-## 剔除FC层
-
-由于新的数据集类别数（Flower102：102类）和ImgaeNet1k数据（1000类）不一致，一般需要对分类网络的最后FC层进行调整，PaddleClas默认剔除所有形状不一样的层
-
-```python
-#excerpt from PaddleClas/ppcls/utils/save_load.py
-
-def load_params(exe, prog, path):
-    # ...
-
-    ignore_set = set()
-    state = _load_state(path)
-
-    # 剔除预训练模型和模型间形状不一致的参数
-
-    all_var_shape = {}
-    for block in prog.blocks:
-        for param in block.all_parameters():
-            all_var_shape[param.name] = param.shape
-    ignore_set.update([
-        name for name, shape in all_var_shape.items()
-        if name in state and shape != state[name].shape
-    ])
-
-    # 用于迁移学习的代码段已被省略 ...
-
-    if len(ignore_set) > 0:
-        for k in ignore_set:
-            if k in state:
-                # 剔除参数
-                del state[k]
-    fluid.io.set_program_state(prog, state)
-```
-在将shape不一致的层进行剔除正确加载预训练模型后，我们要选择需要更新的参数来让优化器进行参数更新。
-
-## 更新参数
-
-首先，分类网络中的卷积层大致可以分为
-
-- ```浅层卷积层```：用于提取基础特征
-- ```深层卷积层```：用于提取抽象特征
-- ```FC层```：进行特征组合
-
-其次，在衡量数据集大小差别和数据集的相似程度后，我们一般遵循如下的规则进行参数更新：
-
-- 1. 新的数据集很小，在类别，具体种类上和原数据很像。由于新数据集很小，这里可能出现过拟合的问题；由于数据很像，可以认为预训练模型的深层特征仍然会起作用，只需要训练一个最终的```FC层```即可。
-- 2. 新的数据集很大，在类别，具体种类上和原数据很像。推荐训练网络中全部层的参数。
-- 3. 新的数据集很小但是和原数据不相像，可以冻结网络中初始层的参数更新```stop_gradient=True```，对较高层进行重新训练。
-- 4. 新的数据集很大但是和原数据不相像，这时候预训练模型可能不会生效，需要从头训练。
-
-PaddleClas模型微调默认更新所有层参数。
-
-## 新的训练策略
-
-1. 学习率
-由于已经加载了预训练模型，对于从头训练的随机初始化参数来讲，模型中的参数已经具备了一定的分类能力，所以建议使用与从头训练相比更小的学习率，例如减小10倍。
-2. 类别数和总图片数调整为新数据集数据
-3. 调整训练轮数，由于不需要从头开始训练，一般相对减少模型微调的训练轮数
-
-## 模型微调结果
-
-在使用ResNet50_vd预训练模型对flower102数据进行模型微调后，top1 acc 达到 92.71%
-在使用ResNet50_vd_ssld预训练模型对flower102数据进行模型微调后，top1 acc 达到94.96%

docs/zh_CN/tutorials/getting_started.md

@@ -56,7 +56,39 @@ epoch:0    train    step:522    loss:1.6330    lr:0.100000    elapse:0.210
 或是直接修改模型对应的yaml配置文件，具体配置参数参考[配置文档](config.md)。
 
 ### 2.3 模型微调
-模型微调请参照[模型微调文档](./finetune.md)
+
+以ResNet50_vd和ResNet50_vd_ssld预训练模型对flower102数据集进行微调
+
+ResNet50_vd： 在ImageNet1k数据集上训练 top1 acc：79.1% 模型详细信息参考[模型库](https://paddleclas.readthedocs.io/zh_CN/latest/models/ResNet_and_vd.html)
+
+ResNet50_vd_ssld： 在ImageNet1k数据集训练的蒸馏模型 top1： 82.4% 模型详细信息参考[模型库](https://paddleclas.readthedocs.io/zh_CN/latest/models/ResNet_and_vd.html)
+
+flower数据集相关信息参考[数据文档](data.md)
+
+指定pretrained_model参数初始化预训练模型
+ResNet50_vd：
+
+```bash
+python -m paddle.distributed.launch \
+    --selected_gpus="0" \
+    tools/train.py \
+        -c ./configs/finetune/ResNet50_vd_finetune.yaml
+        -o pretrained_model= ResNet50_vd预训练模型
+```
+
+ResNet50_vd_ssld：
+
+```bash
+python -m paddle.distributed.launch \
+    --selected_gpus="0" \
+    tools/train.py \
+        -c ./configs/finetune/ResNet50_vd_ssld_finetune.yaml
+        -o pretrained_model= ResNet50_vd_ssld预训练模型
+```
+
+
+在使用ResNet50_vd预训练模型对flower102数据进行模型微调后，top1 acc 达到 92.71%
+在使用ResNet50_vd_ssld预训练模型对flower102数据进行模型微调后，top1 acc 达到94.96%
 
 
 ### 2.2 模型评估