fix urls and update senta_demo (#791)

RELEASE.md

+## `v1.8.0`
+
+* 预训练模型丰富，一键完成更多
+  * 『[文本生成](https://www.paddlepaddle.org.cn/hublist?filter=en_category&value=TextGeneration)』新增基于ERNIE-tiny和ERNIE-gen的对联和写诗生成模型，支持一键自动写诗和对对联。
+  *  『[词法分析](https://www.paddlepaddle.org.cn/hublist?filter=en_category&value=LexicalAnalysis)』新增jieba的paddle模式切词模型，可一键完成中文分词、关键词抽取等功能。
+  * 『[语义表示](https://www.paddlepaddle.org.cn/hublist?filter=en_category&value=SemanticModel)』新增基于网页、小说、新闻三类大规模文本数据的LDA主题模型及其语义相似度计算接口。
+
+* Fine-tune API升级，提升灵活性并支持更多任务
+   * 新增Tokenizer API，支持更加灵活的切词、切字模式和自定义切词工具拓展。
+   * 新增[文本生成](https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.8/demo/text_generation)任务，支持Seq2Seq任务的Fine-tuning。
+  * 新增文本匹配任务，支持[Pointwise](https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.8/demo/pointwise_text_matching)、[Pairwise](https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.8/demo/pairwise_text_matching)两种文本匹配训练模式，更便捷完成语义匹配任务。
+
 ## `v1.7.0`
 
 * 丰富预训练模型，提升应用性
@@ -52,7 +64,7 @@
 # `v1.5.0`
 
 * 升级PaddleHub Serving，提升性能和易用性
-   * 新增文本Embedding服务[Bert Service](./tutorial/bert_service.md), 轻松获取文本embedding；
+   * 新增文本Embedding服务[Bert Service](./docs/tutorial/bert_service.md), 轻松获取文本embedding；
       * 代码精短，易于使用。服务端/客户端一行命令即可获取文本embedding；  
       * 更高性能，更高效率。通过Paddle AnalysisPredictor API优化计算图，提升速度减小显存占用
       * 随"机"应变，灵活扩展。根据机器资源和实际需求可灵活增加服务端数量，支持多显卡多模型计算任务

autodl/DELTA/README.md

@@ -8,7 +8,7 @@ This page implements the [DELTA](https://arxiv.org/abs/1901.09229) algorithm in
 
 ## Preparation of Data and Pre-trained Model
 
-- Download transfer learning target datasets, like [Caltech-256](http://www.vision.caltech.edu/Image_Datasets/Caltech256/), [CUB_200_2011](http://www.vision.caltech.edu/visipedia/CUB-200-2011.html) or others. Arrange the dataset in this way:
+- Download transfer learning target datasets, like [Caltech-256](https://www.kaggle.com/jessicali9530/caltech256), [CUB_200_2011](http://www.vision.caltech.edu/visipedia/CUB-200-2011.html) or others. Arrange the dataset in this way:
 ```
     root/train/dog/xxy.jpg
     root/train/dog/xxz.jpg

demo/README.md

@@ -33,14 +33,14 @@
 * [阅读理解](./reading_comprehension)
   该样例展示了PaddleHub如何将BERT作为预训练模型在SQAD数据集上完成阅读理解的FineTune和预测。
 
-* [检索式问答任务](./qa_classfication)
+* [检索式问答任务](./qa_classification)
   该样例展示了PaddleHub如何将ERNIE和BERT作为预训练模型在NLPCC-DBQA等数据集上完成检索式问答任务的FineTune和预测。
 
 * [句子语义相似度计算](./sentence_similarity)
   该样例展示了PaddleHub如何将word2vec_skipgram用于计算两个文本语义相似度。
 
-* [超参优化AutoDL Finetuner使用](./autofinetune)
-  该样例展示了PaddleHub超参优化AutoDL Finetuner如何使用，给出了自动搜素图像分类/文本分类任务的较佳超参数示例。
+* 超参优化AutoDL Finetuner使用
+  该样例展示了PaddleHub超参优化AutoDL Finetuner如何使用，给出了自动搜索[图像分类](./autofinetune_image_classification)/[文本分类](./autofinetune_text_classification)任务的较佳超参数示例。
 
 * [服务化部署Hub Serving使用](./serving)
   该样例文件夹下展示了服务化部署Hub Serving如何使用，将PaddleHub支持的可预测Module如何服务化部署。
@@ -50,7 +50,7 @@
   请确认转化时，使用的PaddleHub为1.6.0以上版本。
 
 **NOTE:**
-以上任务示例均是利用PaddleHub提供的数据集，若您想在自定义数据集上完成相应任务，请查看[PaddleHub适配自定义数据完成Fine-tune](https://github.com/PaddlePaddle/PaddleHub/wiki/PaddleHub%E9%80%82%E9%85%8D%E8%87%AA%E5%AE%9A%E4%B9%89%E6%95%B0%E6%8D%AE%E5%AE%8C%E6%88%90FineTune)。
+以上任务示例均是利用PaddleHub提供的数据集，若您想在自定义数据集上完成相应任务，请查看[PaddleHub适配自定义数据完成Fine-tune](../docs/tutorial/how_to_load_data.md)。
 
 ## 在线体验
 

demo/pairwise_text_matching/README.md

@@ -50,7 +50,7 @@ pairwise_text_matching
 
 ```python
 module = hub.Module(name="tencent_ailab_chinese_embedding_small")
-inputs, outputs, program = module.context(trainable=True, max_seq_len=args.max_seq_len, num_slots=3)
+inputs, outputs, program = module.context(trainable=True, max_seq_len=128, num_slots=3)
 ```
 其中最大序列长度`max_seq_len`是可以调整的参数，建议值128，根据任务文本长度不同可以调整该值。
 
@@ -99,11 +99,11 @@ dataset = hub.dataset.DuEL(tokenizer=tokenizer, max_seq_len=128)
 
 `max_seq_len` 需要与Step1中context接口传入的序列长度保持一致；
 
-更多数据集信息参考[Dataset](https://github.com/PaddlePaddle/PaddleHub/blob/release/v1.7/docs/reference/dataset.md)。
+更多数据集信息参考[Dataset](../../docs/reference/dataset.md)。
 
 #### 自定义数据集
 
-如果想加载自定义数据集完成迁移学习，详细参见[自定义数据集](https://github.com/PaddlePaddle/PaddleHub/blob/release/v1.7/docs/tutorial/how_to_load_data.md)
+如果想加载自定义数据集完成迁移学习，详细参见[自定义数据集](../../docs/tutorial/how_to_load_data.md)
 
 ### Step4：选择优化策略和运行配置
 
@@ -170,7 +170,7 @@ matching_task.finetune_and_eval()
 
 #### 自定义迁移任务
 
-如果想改变迁移任务组网，详细参见[自定义迁移任务]()。
+如果想改变迁移任务组网，详细参见[自定义迁移任务](../../docs/tutorial/how_to_define_task.md)。
 
 ## 可视化
 

demo/pointwise_text_matching/README.md

@@ -46,7 +46,7 @@ pointwise_text_matching
 
 ```python
 module = hub.Module(name="tencent_ailab_chinese_embedding_small")
-inputs, outputs, program = module.context(trainable=True, max_seq_len=args.max_seq_len, num_slots=2)
+inputs, outputs, program = module.context(trainable=True, max_seq_len=128, num_slots=2)
 ```
 其中最大序列长度`max_seq_len`是可以调整的参数，建议值128，根据任务文本长度不同可以调整该值。
 
@@ -95,11 +95,11 @@ dataset = hub.dataset.LCQMC(tokenizer=tokenizer, max_seq_len=128)
 
 `max_seq_len` 需要与Step1中context接口传入的序列长度保持一致；
 
-更多数据集信息参考[Dataset](https://github.com/PaddlePaddle/PaddleHub/blob/release/v1.7/docs/reference/dataset.md)。
+更多数据集信息参考[Dataset](../../docs/reference/dataset.md)。
 
 #### 自定义数据集
 
-如果想加载自定义数据集完成迁移学习，详细参见[自定义数据集](https://github.com/PaddlePaddle/PaddleHub/blob/release/v1.7/docs/tutorial/how_to_load_data.md)。
+如果想加载自定义数据集完成迁移学习，详细参见[自定义数据集](../../docs/tutorial/how_to_load_data.md)。
 
 ### Step4：选择优化策略和运行配置
 
@@ -164,7 +164,7 @@ matching_task.finetune_and_eval()
 
 #### 自定义迁移任务
 
-如果想改变迁移任务组网，详细参见[自定义迁移任务]()。
+如果想改变迁移任务组网，详细参见[自定义迁移任务](../../docs/tutorial/how_to_define_task.md)。
 
 ## 可视化
 

demo/senta/README.md

@@ -41,6 +41,7 @@ $ sh run_finetune.sh
 --batch_size: 批处理大小，请结合显存情况进行调整，若出现显存不足，请适当调低这一参数；
 --checkpoint_dir: 模型保存路径，PaddleHub会自动保存验证集上表现最好的模型；
 --num_epoch: Fine-tune迭代的轮数；
+--max_seq_len: 模型使用的最大序列长度， 若出现显存不足，请适当调低这一参数；
 --use_gpu: 是否使用GPU进行训练，如果机器支持GPU且安装了GPU版本的PaddlePaddle，我们建议您打开这个开关；
 ```
 
@@ -50,9 +51,11 @@ $ sh run_finetune.sh
 
 ```python
 module = hub.Module(name="senta_bilstm")
-inputs, outputs, program = module.context(trainable=True)
+inputs, outputs, program = module.context(trainable=True, max_seq_len=96)
 ```
 
+其中最大序列长度`max_seq_len`是可以调整的参数，根据任务文本长度不同可以调整该值。
+
 PaddleHub提供Senta一列模型可供选择, 模型对应的加载示例如下：
 
    模型名                           | PaddleHub Module
@@ -71,21 +74,32 @@ senta_cnn                          | `hub.Module(name='senta_cnn')`
 module = hub.Module(name="senta_gru")
 ```
 
-### Step2: 准备数据集并使用LACClassifyReader读取数据
+### Step2: 选择Tokenizer读取数据
+
 ```python
-dataset = hub.dataset.ChnSentiCorp()
-reader = hub.reader.LACClassifyReader(
-    dataset=dataset,
-    vocab_path=module.get_vocab_path())
+tokenizer = hub.CustomTokenizer(
+    vocab_file=module.get_vocab_path(),
+    tokenize_chinese_chars=True,
+)
 ```
 
-`hub.dataset.ChnSentiCorp()` 会自动从网络下载数据集并解压到用户目录下`$HOME/.paddlehub/dataset`目录；
-
 `module.get_vocab_path()` 会返回预训练模型对应的词表；
+`tokenize_chinese_chars` 是否切分中文文本
+
+**NOTE:**
+1. 如果使用Transformer类模型（如ERNIE、BERT、RoBerta等），则应该选择`hub.BertTokenizer`.
+2. 如果使用非Transformer类模型（如senta、word2vec_skipgram、tencent_ailab_chinese_embedding_small等），则应该选择`hub.CustomTokenizer`
+
+### Step3: 准备数据集
+```python
+dataset = hub.dataset.LCQMC(tokenizer=tokenizer, max_seq_len=128)
+```
 
-LACClassifyReader中的`data_generator`会自动按照模型对应词表对数据进行切词，以迭代器的方式返回Senta所需要的word id；
+`hub.dataset.LCQMC()` 会自动从网络下载数据集并解压到用户目录下`$HOME/.paddlehub/dataset`目录；
 
-更多数据集信息参考[Dataset](../../docs/reference/dataset.md)；
+`max_seq_len` 需要与Step1中context接口传入的序列长度保持一致；
+
+更多数据集信息参考[Dataset](../../docs/reference/dataset.md)。
 
 #### 自定义数据集
 
@@ -131,18 +145,20 @@ sent_feature = outputs["sentence_feature"]
 feed_list = [inputs["words"].name]
 
 cls_task = hub.TextClassifierTask(
-    data_reader=reader,
+    dataset=dataset,
     feature=sent_feature,
-    feed_list=feed_list,
-    num_classes=dataset.num_labels,
+    num_classes=2,
     config=config)
 
 cls_task.finetune_and_eval()
 ```
 **NOTE:**
 1. `outputs["sentence_feature"]`返回了senta模型对应的句子特征,可以用于句子的特征表达；
-2. `feed_list`中的inputs参数指名了senta中的输入tensor的顺序，与LACClassifyReader返回的结果一致；
-3. `hub.TextClassifierTask`通过输入特征，label与迁移的类别数，可以生成适用于文本分类的迁移任务`TextClassifierTask`；
+2. `hub.TextClassifierTask`通过输入特征，label与迁移的类别数，可以生成适用于文本分类的迁移任务`TextClassifierTask`；
+
+#### 自定义迁移任务
+
+如果想改变迁移任务组网，详细参见[自定义迁移任务](../../docs/tutorial/how_to_define_task.md)。
 
 ## 可视化
 
@@ -165,24 +181,7 @@ python predict.py --checkpoint_dir $CKPT_DIR
 参数配置正确后，请执行脚本`sh run_predict.sh`，即可看到以下文本分类预测结果, 以及最终准确率。
 如需了解更多预测步骤，请参考`predict.py`。
 
-
-我们在AI Studio上提供了IPython NoteBook形式的demo，您可以直接在平台上在线体验，链接如下：
-
-|预训练模型|任务类型|数据集|AIStudio链接|备注|
-|-|-|-|-|-|
-|ResNet|图像分类|猫狗数据集DogCat|[点击体验](https://aistudio.baidu.com/aistudio/projectdetail/147010)||
-|ERNIE|文本分类|中文情感分类数据集ChnSentiCorp|[点击体验](https://aistudio.baidu.com/aistudio/projectdetail/147006)||
-|ERNIE|文本分类|中文新闻分类数据集THUNEWS|[点击体验](https://aistudio.baidu.com/aistudio/projectdetail/221999)|本教程讲述了如何将自定义数据集加载，并利用Fine-tune API完成文本分类迁移学习。|
-|ERNIE|序列标注|中文序列标注数据集MSRA_NER|[点击体验](https://aistudio.baidu.com/aistudio/projectdetail/147009)||
-|ERNIE|序列标注|中文快递单数据集Express|[点击体验](https://aistudio.baidu.com/aistudio/projectdetail/184200)|本教程讲述了如何将自定义数据集加载，并利用Fine-tune API完成序列标注迁移学习。|
-|ERNIE Tiny|文本分类|中文情感分类数据集ChnSentiCorp|[点击体验](https://aistudio.baidu.com/aistudio/projectdetail/221971)||
-|Senta|文本分类|中文情感分类数据集ChnSentiCorp|[点击体验](https://aistudio.baidu.com/aistudio/projectdetail/216846)|本教程讲述了任何利用Senta和Fine-tune API完成情感分类迁移学习。|
-|Senta|情感分析预测|N/A|[点击体验](https://aistudio.baidu.com/aistudio/projectdetail/215814)||
-|LAC|词法分析|N/A|[点击体验](https://aistudio.baidu.com/aistudio/projectdetail/215711)||
-|Ultra-Light-Fast-Generic-Face-Detector-1MB|人脸检测|N/A|[点击体验](https://aistudio.baidu.com/aistudio/projectdetail/215962)||
-
-
-
+我们在AI Studio上提供了IPython NoteBook形式的demo，点击[PaddleHub教程合集](https://aistudio.baidu.com/aistudio/projectdetail/231146)，可使用AI Studio平台提供的GPU算力进行快速尝试。
 
 ## 超参优化AutoDL Finetuner
 

demo/senta/predict.py

-#coding:utf-8
-from __future__ import absolute_import
-from __future__ import division
-from __future__ import print_function
-
+# coding:utf-8
 import argparse
 import ast
-import numpy as np
-import os
-import time
 
-import paddle
 import paddle.fluid as fluid
 import paddlehub as hub
 
 # yapf: disable
 parser = argparse.ArgumentParser(__doc__)
-parser.add_argument("--checkpoint_dir", type=str,                 default=None, help="Directory to model checkpoint")
-parser.add_argument("--use_gpu",        type=ast.literal_eval,    default=True, help="Whether use GPU for fine-tuning, input should be True or False")
-parser.add_argument("--batch_size",     type=int,                 default=1,    help="Total examples' number in batch when the program predicts.")
+parser.add_argument("--num_epoch", type=int, default=3, help="Number of epoches for fine-tuning.")
+parser.add_argument("--use_gpu", type=ast.literal_eval, default=True, help="Whether use GPU for fine-tuning, input should be True or False")
+parser.add_argument("--checkpoint_dir", type=str, default=None, help="Directory to model checkpoint")
+parser.add_argument("--max_seq_len", type=int, default=128, help="Number of words of the longest seqence.")
+parser.add_argument("--batch_size", type=int, default=32, help="Total examples' number in batch for training.")
 args = parser.parse_args()
 # yapf: enable.
 
+jieba_paddle = hub.Module(name='jieba_paddle')
+
+
+def cut(text):
+    res = jieba_paddle.cut(text, use_paddle=False)
+    return res
+
+
 if __name__ == '__main__':
-    # loading Paddlehub senta pretrained model
-    module = hub.Module(name="senta_bilstm")
-    inputs, outputs, program = module.context(trainable=True)
+    # Load Paddlehub senta pretrained model
+    module = hub.Module(name="senta_bow", version='1.2.0')
+    inputs, outputs, program = module.context(
+        trainable=True, max_seq_len=args.max_seq_len)
 
-    # Download dataset and use LACClassifyReader to read dataset
-    dataset = hub.dataset.ChnSentiCorp()
-    reader = hub.reader.LACClassifyReader(
-        dataset=dataset, vocab_path=module.get_vocab_path())
+    # Tokenizer tokenizes the text data and encodes the data as model needed.
+    # If you use transformer modules (ernie, bert, roberta and so on), tokenizer should be hub.BertTokenizer.
+    # Otherwise, tokenizer should be hub.CustomTokenizer.
+    # If you choose CustomTokenizer, you can also change the chinese word segmentation tool, for example jieba.
+    tokenizer = hub.CustomTokenizer(
+        vocab_file=module.get_vocab_path(),
+        tokenize_chinese_chars=True,
+        cut_function=cut,  # jieba.cut as cut function
+    )
 
-    sent_feature = outputs["sentence_feature"]
+    dataset = hub.dataset.ChnSentiCorp(
+        tokenizer=tokenizer, max_seq_len=args.max_seq_len)
+    num_classes = dataset.num_labels
+    label_list = dataset.get_labels()
 
-    # Setup feed list for data feeder
-    # Must feed all the tensor of senta's module need
-    feed_list = [inputs["words"].name]
+    # Construct transfer learning network
+    # Use sentence-level output.
+    sent_feature = outputs["sentence_feature"]
 
     # Setup RunConfig for PaddleHub Fine-tune API
     config = hub.RunConfig(
-        use_data_parallel=False,
         use_cuda=args.use_gpu,
+        num_epoch=args.num_epoch,
         batch_size=args.batch_size,
         checkpoint_dir=args.checkpoint_dir,
         strategy=hub.AdamWeightDecayStrategy())
 
     # Define a classfication fine-tune task by PaddleHub's API
     cls_task = hub.TextClassifierTask(
-        data_reader=reader,
-        feature=sent_feature,
-        feed_list=feed_list,
-        num_classes=dataset.num_labels,
-        config=config)
+        feature=sent_feature, num_classes=num_classes, config=config)
 
     # Data to be predicted
     data = ["这家餐厅很好吃", "这部电影真的很差劲"]
 
-    print(cls_task.predict(data=data, return_result=True))
+    encoded_data = [
+        tokenizer.encode(text=text, max_seq_len=args.max_seq_len)
+        for text in data
+    ]
+
+    print(cls_task.predict(data=encoded_data, label_list=label_list))

demo/senta/run_finetune.sh

-export FLAGS_eager_delete_tensor_gb=0.0
 export CUDA_VISIBLE_DEVICES=0
 
 CKPT_DIR="./ckpt_chnsenticorp"
 
 python -u senta_finetune.py \
                    --batch_size=24 \
+                   --max_seq_len=96 \
                    --use_gpu=True \
                    --checkpoint_dir=${CKPT_DIR} \
                    --num_epoch=3

demo/senta/run_predict.sh

-export FLAGS_eager_delete_tensor_gb=0.0
 export CUDA_VISIBLE_DEVICES=0
 
 CKPT_DIR="./ckpt_chnsenticorp "
-python -u predict.py --checkpoint_dir $CKPT_DIR --use_gpu True
+python -u predict.py --checkpoint_dir $CKPT_DIR --use_gpu True --max_seq_len=96

demo/senta/senta_finetune.py

-#coding:utf-8
+# coding:utf-8
 import argparse
 import ast
 
@@ -10,31 +10,45 @@ parser = argparse.ArgumentParser(__doc__)
 parser.add_argument("--num_epoch", type=int, default=3, help="Number of epoches for fine-tuning.")
 parser.add_argument("--use_gpu", type=ast.literal_eval, default=True, help="Whether use GPU for fine-tuning, input should be True or False")
 parser.add_argument("--checkpoint_dir", type=str, default=None, help="Directory to model checkpoint")
+parser.add_argument("--max_seq_len", type=int, default=128, help="Number of words of the longest seqence.")
 parser.add_argument("--batch_size", type=int, default=32, help="Total examples' number in batch for training.")
 args = parser.parse_args()
 # yapf: enable.
 
-if __name__ == '__main__':
-    # Load Paddlehub senta pretrained model
-    module = hub.Module(name="senta_bilstm")
-    inputs, outputs, program = module.context(trainable=True)
+jieba_paddle = hub.Module(name='jieba_paddle')
 
-    # Download dataset and use LACClassifyReader to read dataset
-    dataset = hub.dataset.ChnSentiCorp()
-    reader = hub.reader.LACClassifyReader(
-        dataset=dataset, vocab_path=module.get_vocab_path())
 
-    sent_feature = outputs["sentence_feature"]
+def cut(text):
+    res = jieba_paddle.cut(text, use_paddle=False)
+    return res
+
 
-    # Setup feed list for data feeder
-    # Must feed all the tensor of senta's module need
-    feed_list = [inputs["words"].name]
+if __name__ == '__main__':
+    # Load Paddlehub senta pretrained model
+    module = hub.Module(name="senta_bow", version='1.2.0')
+    inputs, outputs, program = module.context(
+        trainable=True, max_seq_len=args.max_seq_len)
+
+    # Tokenizer tokenizes the text data and encodes the data as model needed.
+    # If you use transformer modules (ernie, bert, roberta and so on), tokenizer should be hub.BertTokenizer.
+    # Otherwise, tokenizer should be hub.CustomTokenizer.
+    # If you choose CustomTokenizer, you can also change the chinese word segmentation tool, for example jieba.
+    tokenizer = hub.CustomTokenizer(
+        vocab_file=module.get_vocab_path(),
+        tokenize_chinese_chars=True,
+        cut_function=cut,  # jieba.cut as cut function
+    )
+
+    dataset = hub.dataset.ChnSentiCorp(
+        tokenizer=tokenizer, max_seq_len=args.max_seq_len)
+
+    # Construct transfer learning network
+    # Use sentence-level output.
+    sent_feature = outputs["sentence_feature"]
 
     # Setup RunConfig for PaddleHub Fine-tune API
     config = hub.RunConfig(
         use_cuda=args.use_gpu,
-        use_pyreader=False,
-        use_data_parallel=False,
         num_epoch=args.num_epoch,
         batch_size=args.batch_size,
         checkpoint_dir=args.checkpoint_dir,
@@ -42,12 +56,8 @@ if __name__ == '__main__':
 
     # Define a classfication fine-tune task by PaddleHub's API
     cls_task = hub.TextClassifierTask(
-        data_reader=reader,
+        dataset=dataset,
         feature=sent_feature,
-        feed_list=feed_list,
         num_classes=dataset.num_labels,
         config=config)
-
-    # Fine-tune and evaluate by PaddleHub's API
-    # will finish training, evaluation, testing, save model automatically
     cls_task.finetune_and_eval()

demo/serving/module_serving/lexical_analysis_lac/README.md

@@ -75,7 +75,7 @@ Loading lac successful.
 ```
 这样我们就完成了对词法分析的预测服务化部署和测试。
 
-完整的测试代码见[lac_serving_demo.py](lac_serving_demo.py)。
+完整的测试代码见[lac_serving_demo.py](./lac_serving_demo.py)。
 
 ### 使用自定义词典
 `LAC`模型在预测时还可以使用自定义词典干预默认分词结果，这种情况只需要将自定义词典以文件的形式附加到request请求即可，数据格式如下：
@@ -91,7 +91,7 @@ Loading lac successful.
 >>> r = requests.post(url=url, files=file, data=text)
 ```
 
-完整的测试代码见[lac_with_dict_serving_demo.py](lac_with_dict_serving_demo.py)。
+完整的测试代码见[lac_with_dict_serving_demo.py](./lac_with_dict_serving_demo.py)。
 
 ### 客户端请求新版模型的方式
 对某些新版模型，客户端请求方式有所变化，更接近本地预测的请求方式，以降低学习成本。
@@ -146,4 +146,4 @@ if __name__ == "__main__":
     ]
 }
 ```
-此Demo的具体信息和代码请参见[LAC Serving_2.1.0](lac_2.1.0_serving_demo.py)。
+此Demo的具体信息和代码请参见[LAC Serving_2.1.0](./lac_2.1.0_serving_demo.py)。

demo/text_generation/README.md

@@ -120,7 +120,7 @@ config = hub.RunConfig(use_cuda=True, num_epoch=3, batch_size=32, strategy=strat
 * `dis_params_layer`: 分层学习率策略需要的参数层次信息，如果设置为module.get_params_layer()，预训练模型中各层神经网络的更新速度将逐层衰减，默认每一层的学习率是上一层学习率的1/2.6；
 * `frz_params_layer`: 逐层解冻策略需要的参数层次信息，如果设置为module.get_params_layer()，预训练模型中各层神经网络将在训练过程中随着epoch的增大而参与更新，例如epoch=1时只有最上层参数会更新，epoch=2时最上2层参数都会参与更新；
 
-关于ULMFiT策略的详细说明，请参考[论文](https://arxiv.org/pdf/1801.06146.pdf)。如果您希望将ULMFiT策略与AdamWeightDecay策略进行组合实验，请参考[CombinedStrategy](../../paddlehub/finetune/strategy.py:183)
+关于ULMFiT策略的详细说明，请参考[论文](https://arxiv.org/pdf/1801.06146.pdf)。如果您希望将ULMFiT策略与AdamWeightDecay策略进行组合实验，请参考[CombinedStrategy](../../docs/reference/strategy.md)
 
 #### 运行配置
 `RunConfig` 主要控制Fine-tune的训练，包含以下可控制的参数:
@@ -151,11 +151,12 @@ gen_task.finetune_and_eval()
 1. `outputs["pooled_output"]`返回了Transformer类预训练模型对应的[CLS]向量,可以用于句子或句对的特征表达。这一特征将用于TextGenerationTask Decoder状态初始化。
 2. `outputs["sequence_output"]`返回了ERNIE/BERT模型输入单词的对应输出,可以用于单词的特征表达；这一特征将用于TextGenerationTask Decoder解码。
 3. 当前TextGenerationTask采用如下图所示的seq2seq结构：
+
 <p align="center">
  <img src="https://d2l.ai/_images/encoder-decoder.svg" width='60%' align="middle"
 </p>
 
-其中Encoder为hub.Module指定的预训练模型，Decoder为通用的Attention LSTM结构，如果您希望进一步增强Decoder性能，可以尝试修改[generation_task组网代码](../../paddlehub/finetune/task/generation_task.py:156)。
+其中Encoder为hub.Module指定的预训练模型，Decoder为通用的LSTM+Attention结构.
 
 #### 自定义迁移任务
 
@@ -191,5 +192,4 @@ PaddleHub还提供了超参优化（Hyperparameter Tuning）功能， 自动搜
 
 ## Fine-tune之后保存的模型转化为PaddleHub Module
 
-代码详见[finetuned_model_to_module](./finetuned_model_to_module)文件夹下
 Fine-tune之后保存的模型转化为PaddleHub Module[教程](../../docs/tutorial/finetuned_model_to_module.md)

docs/contribution/contri_pr.md

@@ -107,7 +107,7 @@ upstream
 
 ## 文档
 
-文档使用了 [sphinx](http://sphinx-doc.org/) 来生成，支持 [Markdown](https://guides.github.com/features/mastering-markdown/) 和 [reStructuredText](http://www.sphinx-doc.org/en/master/usage/restructuredtext/basics.html) 格式。 所有文档都在 [docs/](../docs) 目录下。
+文档使用了 [sphinx](http://sphinx-doc.org/) 来生成，支持 [Markdown](https://guides.github.com/features/mastering-markdown/) 和 [reStructuredText](http://www.sphinx-doc.org/en/master/usage/restructuredtext/basics.html) 格式。 所有文档都在 [docs/](../../) 目录下。
 
 * 在提交文档改动前，请先**在本地生成文档**：`cd docs/ && make clean && make html`，然后，可以在 `docs/_build/html` 目录下找到所有生成的网页。 请认真分析生成日志中的**每个 WARNING**，这非常有可能是或**空连接**或其它问题。
 

docs/pretrained_models.md

 PaddlePaddle 提供了丰富的模型，使得用户可以采用模块化的方法解决各种学习问题。本文，我们将整体介绍PaddleHub中已经准备好的丰富的预训练模型。
 
-* 如果是想了解具体预训练模型的使用可以继续学习本课程，也可以参考 [PaddleHub预训练模型库]( https://www.paddlepaddle.org.cn/hublist )
+* 如果是想了解具体预训练模型的使用可以继续学习本课程，也可以参考 [PaddleHub预训练模型库](https://www.paddlepaddle.org.cn/hublist)。
 
-* 如果想了解更多模型组网网络结构源代码请参考 [飞桨模型库](https://github.com/PaddlePaddle/models )
+* 如果想了解更多模型组网网络结构源代码请参考 [飞桨模型库](https://github.com/PaddlePaddle/models)。
 
 ## PaddleHub预训练模型库
 * [飞桨优势特色模型](#飞桨优势特色模型)

docs/tutorial/autofinetune.md

@@ -82,9 +82,9 @@ train.py用于接受PaddleHub搜索到的超参进行一次优化过程，将优
 
 ### 示例
 
-[PaddleHub AutoDL Finetuner超参优化--NLP情感分类任务](https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.7/demo/autofinetune_text_classification)。
+[PaddleHub AutoDL Finetuner超参优化--NLP情感分类任务](../../demo/autofinetune_text_classification)。
 
-[PaddleHub AutoDL Finetuner超参优化--CV图像分类任务](https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.7/demo/autofinetune_image_classification)。
+[PaddleHub AutoDL Finetuner超参优化--CV图像分类任务](../../demo/autofinetune_image_classification)。
 
 ## 三、启动方式
 

docs/tutorial/hook.md

@@ -15,7 +15,7 @@ Task定义了[组网事件](./how_to_define_task.md)和[运行事件](./how_to_d
 
 如果您需要对图中提到的事件的具体实现进行修改，可以通过Task提供的事件回调hook机制进行改写。
 
-如你想要改变任务评价指标，如下示例中将PaddleHub默认的accuracy评价指标改为F1评价指标。同时还想用自定义的可视化工具可视化模型训练过程，如下示例将可视化工具改写为tb-paddle。则你需要改写评估方法[log_interval_event]()。这时候你可以用Hook实现。具体使用方法如下：
+如你想要改变任务评价指标，如下示例中将PaddleHub默认的accuracy评价指标改为F1评价指标。同时还想用自定义的可视化工具可视化模型训练过程，如下示例将可视化工具改写为tb-paddle。则你需要改写评估方法log_interval_event。这时候你可以用Hook实现。具体使用方法如下：
 
 ```python
 import numpy as np
@@ -120,4 +120,4 @@ task.hook_info()
  "predict_start_event"，"predict_end_event"，"eval_start_event"，"eval_end_event"，
  "log_interval_event"，"save_ckpt_interval_event"，"eval_interval_event"，"run_step_event"。
 * 如果想要改写组网事件，Hook不支持。改写组网事件参见[自定义Task](./how_to_define_task.md)。
-* 如何创建Task，参见[PaddleHub迁移学习示例](https://github.com/PaddlePaddle/PaddleHub/tree/develop/demo)
+* 如何创建Task，参见[PaddleHub迁移学习示例](../../demo)

docs/tutorial/serving.md

@@ -31,7 +31,9 @@ $ hub serving start --modules [Module1==Version1, Module2==Version2, ...] \
 |--use_gpu|使用GPU进行预测，必须安装paddlepaddle-gpu|  
 |--use_multiprocess|是否启用并发方式，默认为单进程方式，推荐多核CPU机器使用此方式<br>*`Windows操作系统只支持单进程方式`*|
 |--workers|在并发方式下指定的并发任务数，默认为`2*cpu_count-1`，其中`cpu_count`为CPU核数|  
+
 **NOTE:** --use_gpu不可与--use_multiprocess共用。
+
 #### 配置文件启动
 启动命令
 ```shell
@@ -208,43 +210,19 @@ $ PaddleHub Serving will stop.
 ```
 则serving服务已经停止。
 
-此Demo的具体信息和代码请参见[LAC Serving](https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.7/demo/serving/module_serving/lexical_analysis_lac)。另外，下面展示了一些其他的一键服务部署Demo。
+此Demo的具体信息和代码请参见[LAC Serving](../../demo/serving/module_serving/lexical_analysis_lac)。另外，下面展示了一些其他的一键服务部署Demo。
 
 ## Demo——其他模型的一键部署服务
 
 获取其他PaddleHub Serving的一键服务部署场景示例，可参见下列demo
 
-* [图像分类-基于vgg11_imagent](https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.7/demo/serving/module_serving/classification_vgg11_imagenet)  
-
-&emsp;&emsp;该示例展示了利用vgg11_imagent完成图像分类服务化部署和在线预测，获取图像分类结果。
-
-* [图像生成-基于stgan_celeba](https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.7/demo/serving/module_serving/GAN_stgan_celeba)  
-
-&emsp;&emsp;该示例展示了利用stgan_celeba生成图像服务化部署和在线预测，获取指定风格的生成图像。
-
-* [文本审核-基于porn_detection_lstm](https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.7/demo/serving/module_serving/text_censorship_porn_detection_lstm)  
-
-&emsp;&emsp;该示例展示了利用porn_detection_lstm完成中文文本黄色敏感信息鉴定的服务化部署和在线预测，获取文本是否敏感及其置信度。
-
-* [中文词法分析-基于lac](https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.7/demo/serving/module_serving/lexical_analysis_lac)
-
-&emsp;&emsp;该示例展示了利用lac完成中文文本分词服务化部署和在线预测，获取文本的分词结果，并可通过用户自定义词典干预分词结果。
-
-* [目标检测-基于yolov3_darknet53_coco2017](https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.7/demo/serving/module_serving/object_detection_yolov3_darknet53_coco2017)  
-
-&emsp;&emsp;该示例展示了利用yolov3_darknet53_coco2017完成目标检测服务化部署和在线预测，获取检测结果和覆盖识别框的图片。
-
-* [中文语义分析-基于simnet_bow](https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.7/demo/serving/module_serving/semantic_model_simnet_bow)
-
-&emsp;&emsp;该示例展示了利用simnet_bow完成中文文本相似度检测服务化部署和在线预测，获取文本的相似程度。  
-
-* [图像分割-基于deeplabv3p_xception65_humanseg](https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.7/demo/serving/module_serving/semantic_segmentation_deeplabv3p_xception65_humanseg)
+* [中文分词](../../demo/serving/module_serving/lexical_analysis_lac)  
 
-&emsp;&emsp;该示例展示了利用deeplabv3p_xception65_humanseg完成图像分割服务化部署和在线预测，获取识别结果和分割后的图像。
+&emsp;&emsp;该示例展示了利用LAC模型完成中文分词服务化部署和在线预测分词结果。
 
-* [中文情感分析-基于senta_lstm](https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.7/demo/serving/module_serving/sentiment_analysis_senta_lstm)
+* [口罩检测](../../demo/serving/module_serving/object_detection_pyramidbox_lite_server_mask)  
 
-&emsp;&emsp;该示例展示了利用senta_lstm完成中文文本情感分析服务化部署和在线预测，获取文本的情感分析结果。
+&emsp;&emsp;该示例展示了利用pyramidbox_lite_server_mask模型检测是否佩戴口罩。
 
 ## 客户端请求新版模型的方式
 对某些新版模型，客户端请求方式有所变化，更接近本地预测的请求方式，以降低学习成本。
@@ -277,7 +255,7 @@ if __name__ == "__main__":
     print(json.dumps(r.json(), indent=4, ensure_ascii=False))
 ```
 
-此Demo的具体信息和代码请参见[LAC Serving_2.1.0](https://github.com/PaddlePaddle/PaddleHub/blob/release/v1.7/demo/serving/module_serving/lexical_analysis_lac/lac_2.1.0_serving_demo.py)。
+此Demo的具体信息和代码请参见[LAC Serving_2.1.0](../../demo/serving/module_serving/lexical_analysis_lac/lac_2.1.0_serving_demo.py)。
 
 ## Bert Service
 除了预训练模型一键服务部署功能之外，PaddleHub Serving还具有`Bert Service`功能，支持ernie_tiny、bert等模型快速部署，对外提供可靠的在线embedding服务，具体信息请参见[Bert Service](./bert_service.md)。

hub_module/modules/text/semantic_model/ernie_tiny/README.md

@@ -96,7 +96,7 @@ embedding_result = module.get_embedding(texts=[["Sample1_text_a"],["Sample2_text
 params_layer = module.get_params_layer()
 strategy = hub.finetune.strategy.ULMFiTStrategy(frz_params_layer=params_layer, dis_params_layer=params_layer)
 ```
-利用该PaddleHub Module Fine-tune示例，可参考[文本分类](https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.4.0/demo/text-classification)。
+利用该PaddleHub Module Fine-tune示例，可参考[文本分类](https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.8/demo/text_classification)。
 
 **Note**：建议该PaddleHub Module在**GPU**环境中运行。如出现显存不足，可以将**batch_size**或**max_seq_len**调小。
 

paddlehub/finetune/task/classifier_task.py

@@ -120,19 +120,23 @@ class ClassifierTask(BaseTask):
 
         # The first key will be used as main metrics to update the best model
         scores = OrderedDict()
-
+        precision, recall, f1 = calculate_f1_np(all_infers, all_labels)
+        matthews = matthews_corrcoef(all_infers, all_labels)
         for metric in self.metrics_choices:
-            if metric == "acc":
-                avg_acc = acc_sum / run_examples
-                scores["acc"] = avg_acc
+            if metric == "precision":
+                scores["precision"] = precision
+            elif metric == "recall":
+                scores["recall"] = recall
             elif metric == "f1":
-                f1 = calculate_f1_np(all_infers, all_labels)
                 scores["f1"] = f1
+            elif metric == "acc":
+                scores["acc"] = acc_sum / run_examples
             elif metric == "matthews":
-                matthews = matthews_corrcoef(all_infers, all_labels)
                 scores["matthews"] = matthews
             else:
-                raise ValueError("Not Support Metric: \"%s\"" % metric)
+                raise ValueError(
+                    "Unknown metric: %s! The chosen metrics must be acc, f1, presicion or recall."
+                    % metric)
 
         return scores, avg_loss, run_speed
 
@@ -195,7 +199,7 @@ class TextClassifierTask(ClassifierTask):
             startup_program (object): the customized startup program, default None.
             config (RunConfig): run config for the task, such as batch_size, epoch, learning_rate setting and so on. Default None.
             hidden_units(list): the element of `hidden_units` list is the full-connect layer size. It will add the full-connect layers to the program. Default None.
-            metrics_choices(list): metrics used to the task, default ["acc"].
+            metrics_choices(list): metrics used to the task, default ["acc"]. Choices: acc, precision, recall, f1, matthews.
         """
         if (not feature) and (not token_feature):
             logger.error(

paddlehub/finetune/task/matching_task.py

@@ -245,12 +245,12 @@ class PairwiseTextMatchingTask(BaseTask):
                 scores["recall"] = recall
             elif metric == "f1":
                 scores["f1"] = f1
-            elif "acc" in self.metrics_choices:
+            elif metric == "acc":
                 scores["acc"] = acc
             else:
                 raise ValueError(
-                    "Unknown metric: %s! The chosen metrics must be acc, f1, presicion and recall."
-                    % self.metrics_choice)
+                    "Unknown metric: %s! The chosen metrics must be acc, f1, presicion or recall."
+                    % metric)
 
         return scores, avg_loss, run_speed
 
@@ -539,11 +539,11 @@ class PointwiseTextMatchingTask(BaseTask):
                 scores["recall"] = recall
             elif metric == "f1":
                 scores["f1"] = f1
-            elif "acc" in self.metrics_choices:
+            elif metric == "acc":
                 scores["acc"] = acc
             else:
                 raise ValueError(
-                    "Unknown metric: %s! The chosen metrics must be acc, f1, presicion and recall."
+                    "Unknown metric: %s! The chosen metrics must be acc, f1, presicion or recall."
                     % self.metrics_choice)
 
         return scores, avg_loss, run_speed