Merge pull request #48 from cuicheng01/master

更改一点格式等小问题

dataset/flower102/generate_flower_list.py

-import scipy.io
-import numpy as np
-import os
-import sys
-
-""".mat files data format
+"""
+.mat files data format
 imagelabel.mat
 jpg_name   1     2     3 ... 
 label      32    12    66 ... 
@@ -14,14 +10,19 @@ label                            4 ...
 """
 """
 Usage: 
-       python generate_flower_list.py prefix_folder mode
-
-       python generate_flower_list.py jpg train > train_list.txt
-       python generate_flower_list.py jpg valid > val_list.txt
+    python generate_flower_list.py prefix_folder mode
+    python generate_flower_list.py jpg train > train_list.txt
+    python generate_flower_list.py jpg valid > val_list.txt
 """
+
+import scipy.io
+import numpy as np
+import os
+import sys
+
 data_path = sys.argv[1]
-imagelabels_path='./imagelabels.mat'
-setid_path='./setid.mat'
+imagelabels_path = './imagelabels.mat'
+setid_path = './setid.mat'
 
 labels = scipy.io.loadmat(imagelabels_path)
 labels = np.array(labels['labels'][0])
@@ -30,8 +31,8 @@ setid = scipy.io.loadmat(setid_path)
 d = {}
 d['train'] = np.array(setid['trnid'][0])
 d['valid'] = np.array(setid['valid'][0])
-d['test']=np.array(setid['tstid'][0])
+d['test'] = np.array(setid['tstid'][0])
 
 for id in d[sys.argv[2]]:
-   message = str(data_path)+"/image_"+str(id).zfill(5)+".jpg "+str(labels[id-1])
+   message = str(data_path) + "/image_" + str(id).zfill(5) + ".jpg " + str(labels[id - 1] - 1)
    print(message)

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)
+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
 
@@ -16,7 +16,7 @@ export PYTHONPATH=path_to_PaddleClas:$PYTHONPATH
 PaddleClas 提供模型训练与评估脚本：tools/train.py和tools/eval.py
 
 ### 2.1 模型训练
-以flower102数据为例按如下方式启动模型训练，flower数据集准备请参考[数据集准备](./data.md)
+以flower102数据为例按如下方式启动模型训练，flower数据集准备请参考[数据集准备](./data.md)。
 
 ```bash
 # PaddleClas通过launch方式启动多卡多进程训练
@@ -35,7 +35,7 @@ python -m paddle.distributed.launch \
 epoch:0    train    step:13    loss:7.9561    top1:0.0156    top5:0.1094    lr:0.100000    elapse:0.193
 ```
 
-可以通过添加-o参数来更新配置
+可以通过添加-o参数来更新配置：
 
 ```bash
 python -m paddle.distributed.launch \
@@ -57,13 +57,13 @@ epoch:0    train    step:522    loss:1.6330    lr:0.100000    elapse:0.210
 
 ### 2.3 模型微调
 
-以ResNet50_vd和ResNet50_vd_ssld预训练模型对flower102数据集进行微调
+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： 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)
+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)
+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：
@@ -73,7 +73,7 @@ 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
+        -o pretrained_model=path_to_ResNet50_vd_pretrained_models
 ```
 
 ResNet50_vd_ssld：
@@ -83,12 +83,12 @@ 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
+        -o pretrained_model=path_to_ResNet50_vd_ssld_pretrained_models
 ```
 
 
-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%
+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
@@ -104,7 +104,7 @@ python tools/eval.py \
 ## 三、模型推理
 
 PaddlePaddle提供三种方式进行预测推理，接下来介绍如何用预测引擎进行推理：
-首先，对训练好的模型进行转换
+首先，对训练好的模型进行转换：
 ```bash
 python tools/export_model.py \
     -model=模型名字 \
@@ -112,7 +112,7 @@ python tools/export_model.py \
     -output_path=预测模型保存路径
 
 ```
-之后，通过预测引擎进行推理
+之后，通过预测引擎进行推理：
 ```bash
 python tools/infer/predict.py \
     -m model文件路径 \
@@ -121,4 +121,4 @@ python tools/infer/predict.py \
     --use_gpu=1 \
     --use_tensorrt=True
 ```
-更多使用方法和推理方式请参考[分类预测框架](../extension/paddle_inference.md)
+更多使用方法和推理方式请参考[分类预测框架](../extension/paddle_inference.md)。