fix getting started

docs/zh_CN/tutorials/getting_started.md

@@ -2,17 +2,89 @@
 ---
 请事先参考[安装指南](install.md)配置运行环境，并根据[数据说明](./data.md)文档准备ImageNet1k数据，本章节下面所有的实验均以ImageNet1k数据集为例。
 
-## 一、设置环境变量
+## 一、Windows或者CPU上训练
 
-**设置PYTHONPATH环境变量：**
+如果在windows系统或者CPU上进行训练与评估，推荐使用`tools/train_multi_platform.py`与`tools/eval_multi_platform.py`脚本。
+
+
+### 1.1 模型训练
+
+配置好数据路径之后，可以使用下面的方式启动训练。
+
+```
+python tools/train_multi_platform.py \
+    -c configs/ResNet/ResNet50.yaml \
+    -o model_save_dir=./output/ \
+    -o use_gpu=True
+```
+
+其中，`-c`用于指定配置文件的路径，`-o`用于指定需要修改或者添加的参数，`-o model_save_dir=./output/`表示将配置文件中的`model_save_dir`修改为`./output/`。`-o use_gpu=True`表示使用GPU进行训练。如果希望使用CPU进行训练，则需要将`use_gpu`设置为`False`。
+
+也可以直接修改模型对应的配置文件更新配置。具体配置参数参考[配置文档](config.md)。
+
+* 输出日志示例如下：
+
+    * 如果在训练使用了mixup或者cutmix的数据增广方式，那么日志中只会打印出loss(损失)、lr(学习率)以及该minibatch的训练时间。
+
+    ```
+    train step:890  loss:  6.8473 lr: 0.100000 elapse: 0.157s
+    ```
+
+    * 如果训练过程中没有使用mixup或者cutmix的数据增广，那么除了loss(损失)、lr(学习率)以及该minibatch的训练时间之外，日志中也会打印出top-1与top-k(默认为5)的信息。
+
+    ```
+    epoch:0    train    step:13    loss:7.9561    top1:0.0156    top5:0.1094    lr:0.100000    elapse:0.193s
+    ```
+
+训练期间可以通过VisualDL实时观察loss变化，启动命令如下：
 
 ```bash
-export PYTHONPATH=path_to_PaddleClas:$PYTHONPATH
+visualdl --logdir ./scalar --host <host_IP> --port <port_num>
+
 ```
 
-## 二、模型训练与评估
+### 1.2 模型微调
 
-PaddleClas 提供模型训练与评估脚本：`tools/train.py`和`tools/eval.py`
+* 根据自己的数据集配置好配置文件之后，可以通过加载预训练模型进行微调，如下所示。
+
+```
+python tools/train_multi_platform.py \
+    -c configs/ResNet/ResNet50.yaml \
+    -o pretrained_model="./pretrained/ResNet50_pretrained"
+```
+
+其中`pretrained_model`用于设置加载预训练权重的地址，使用时需要换成自己的预训练模型权重路径，也可以直接在配置文件中修改该路径。
+
+### 1.3 模型恢复训练
+
+* 如果训练任务，因为其他原因被终止，也可以加载预训练模型继续训练。
+
+```
+python tools/train_multi_platform.py \
+    -c configs/ResNet/ResNet50.yaml \
+    -o checkpoints="./output/ResNet/0/ppcls"
+```
+
+其中配置文件不需要做任何修改，只需要在训练时添加`checkpoints`参数即可，表示加载的预训练模型路径，使用该参数会同时加载保存的模型参数权重和学习率、优化器等信息。
+
+
+### 1.4 模型评估
+
+```bash
+python tools/eval_multi_platform.py \
+    -c ./configs/eval.yaml \
+    -o ARCHITECTURE.name="ResNet50_vd" \
+    -o pretrained_model=path_to_pretrained_models
+```
+
+可以更改configs/eval.yaml中的`ARCHITECTURE.name`字段和pretrained_model字段来配置评估模型，也可以通过-o参数更新配置。
+
+**注意：** 加载预训练模型时，需要指定预训练模型的前缀，例如预训练模型参数所在的文件夹为`output/ResNet50_vd/19`，预训练模型参数的名称为`output/ResNet50_vd/19/ppcls.pdparams`，则`pretrained_model`参数需要指定为`output/ResNet50_vd/19/ppcls`，PaddleClas会自动补齐`.pdparams`的后缀。
+
+
+## 二、基于Linux+GPU的模型训练与评估
+
+如果机器环境为Linux+GPU，那么推荐使用PaddleClas 提供的模型训练与评估脚本：`tools/train.py`和`tools/eval.py`，可以更快地完成训练与评估任务。
 
 ### 2.1 模型训练
 
@@ -28,12 +100,6 @@ python -m paddle.distributed.launch \
         -c ./configs/ResNet/ResNet50_vd.yaml
 ```
 
-- 输出日志示例如下：
-
-```
-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：
 
 ```bash
@@ -42,42 +108,61 @@ python -m paddle.distributed.launch \
     tools/train.py \
         -c ./configs/ResNet/ResNet50_vd.yaml \
         -o use_mix=1 \
-	--vdl_dir=./scalar/
-
+    --vdl_dir=./scalar/
 ```
 
-- 输出日志示例如下：
+输出日志信息同上。
+
+### 2.2 模型微调
+
+* 根据自己的数据集配置好配置文件之后，可以通过加载预训练模型进行微调，如下所示。
 
 ```
-epoch:0    train    step:522    loss:1.6330    lr:0.100000    elapse:0.210
+python -m paddle.distributed.launch \
+    --selected_gpus="0,1,2,3" \
+    tools/train.py \
+        -c configs/ResNet/ResNet50.yaml \
+        -o pretrained_model="./pretrained/ResNet50_pretrained"
 ```
 
-也可以直接修改模型对应的配置文件更新配置。具体配置参数参考[配置文档](config.md)。
+其中`pretrained_model`用于设置加载预训练权重的地址，使用时需要换成自己的预训练模型权重路径，也可以直接在配置文件中修改该路径。
 
-训练期间可以通过VisualDL实时观察loss变化，启动命令如下：
+* [30分钟玩转PaddleClas教程](./quick_start.md)中包含大量模型微调的示例，可以参考该章节在特定的数据集上进行模型微调。
 
-```bash
-visualdl --logdir ./scalar --host <host_IP> --port <port_num>
+
+### 2.3 模型恢复训练
+
+* 如果训练任务，因为其他原因被终止，也可以加载预训练模型继续训练。
 
 ```
+python -m paddle.distributed.launch \
+    --selected_gpus="0,1,2,3" \
+    tools/train.py \
+        -c configs/ResNet/ResNet50.yaml \
+        -o checkpoints="./output/ResNet/0/ppcls"
+```
 
+其中配置文件不需要做任何修改，只需要在训练时添加`checkpoints`参数即可，表示加载的预训练模型路径，使用该参数会同时加载保存的模型参数权重和学习率、优化器等信息。
 
-### 2.2 模型微调
 
-* [30分钟玩转PaddleClas](./quick_start.md)中包含大量模型微调的示例，可以参考该章节在特定的数据集上进行模型微调。
+### 2.4 模型评估
 
-### 2.3 模型评估
+* 可以通过以下命令完成模型评估。
 
 ```bash
-python tools/eval.py \
-    -c ./configs/eval.yaml \
-    -o ARCHITECTURE.name="ResNet50_vd" \
-    -o pretrained_model=path_to_pretrained_models
+python -m paddle.distributed.launch \
+    --selected_gpus="0" \
+    tools/eval.py \
+        -c ./configs/eval.yaml \
+        -o ARCHITECTURE.name="ResNet50_vd" \
+        -o pretrained_model=path_to_pretrained_models
 ```
+
 可以更改configs/eval.yaml中的`ARCHITECTURE.name`字段和pretrained_model字段来配置评估模型，也可以通过-o参数更新配置。
 
 **注意：** 加载预训练模型时，需要指定预训练模型的前缀，例如预训练模型参数所在的文件夹为`output/ResNet50_vd/19`，预训练模型参数的名称为`output/ResNet50_vd/19/ppcls.pdparams`，则`pretrained_model`参数需要指定为`output/ResNet50_vd/19/ppcls`，PaddleClas会自动补齐`.pdparams`的后缀。
 
+
 ## 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：
@@ -97,6 +182,6 @@ python tools/infer/predict.py \
     -p params文件路径 \
     -i 图片路径 \
     --use_gpu=1 \
-    --use_tensorrt=True
+    --use_tensorrt=False
 ```
 更多使用方法和推理方式请参考[分类预测框架](../extension/paddle_inference.md)。