update docs (#472)

* add finetune to module tutorial; add 1.6 release note

README.md

@@ -99,8 +99,15 @@ $ wget https://paddlehub.bj.bcebos.com/resources/test_image.jpg
 $ hub run ace2p --input_path test_image.jpg
 $ hub run deeplabv3p_xception65_humanseg --input_path test_image.jpg
 ```
-<p align="center">
- <img src="./docs/imgs/img_seg_result.jpeg" align="middle"  
+
+<p align="center">  
+<img src="./docs/imgs/img_seg_result.jpeg" width="35%" />  
+<img src="./docs/imgs/humanseg_test_res.png" width="35%" />  
+</p>  
+
+<p align='center'>
+ &#8194;&#8194;&#8194&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;ace2p分割结果展示&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;
+ humanseg分割结果展示&#8194;&#8194;&#8194;
 </p>
 
 PaddleHub还提供图像分类、语义模型、视频分类、图像生成、图像分割、文本审核、关键点检测等主流模型，更多模型介绍，请前往 [https://www.paddlepaddle.org.cn/hub](https://www.paddlepaddle.org.cn/hub) 查看

RELEASE.md

+# `v1.6.0`
+
+* NLP Module全面升级，提升应用性和灵活性
+  * lac、senta系列(bow、cnn、bilstm、gru、lstm)、simnet_bow、porn_detection系列(cnn、gru、lstm)升级高性能预测，性能提升高达50%
+  * ERNIE、BERT、RoBERTa等Transformer类语义模型新增获取预训练embedding接口get_embedding，方便接入下游任务，提升应用性
+  * 新增RoBERTa通过模型结构压缩得到的3层Transformer模型[rbt3](https://www.paddlepaddle.org.cn/hubdetail?name=rbt3&en_category=SemanticModel)、[rbtl3](https://www.paddlepaddle.org.cn/hubdetail?name=rbtl3&en_category=SemanticModel)
+
+* Task predict接口增加高性能预测模式accelerate_mode，性能提升高达90%
+
+* PaddleHub Module创建流程开放，支持Fine-tune模型转化，全面提升应用性和灵活性
+  * [预训练模型转化为PaddleHub Module教程](./docs/contribution/contri_pretrained_model.md)
+  * [Fine-tune模型转化为PaddleHub Module教程](./docs/tutorial/finetuned_model_to_module.md)
+
+* [PaddleHub Serving](/docs/tutorial/serving.md)优化启动方式，支持更加灵活的参数配置
+
 # `v1.5.4`
 
 * 修复Fine-tune中断，checkpoint文件恢复训练失败的问题

demo/text_classification/README.md

@@ -218,3 +218,9 @@ python predict.py --checkpoint_dir $CKPT_DIR --max_seq_len 128
 ## 超参优化AutoDL Finetuner
 
 PaddleHub还提供了超参优化（Hyperparameter Tuning）功能， 自动搜索最优模型超参得到更好的模型效果。详细信息参见[AutoDL Finetuner超参优化功能教程](../../docs/tutorial/autofinetune.md)。
+
+
+## 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)

demo/text_classification/finetuned_model_to_module/module.py

+# -*- coding:utf-8 -*-
+# Copyright (c) 2019 PaddlePaddle Authors. All Rights Reserved.
+#
+# Licensed under the Apache License, Version 2.0 (the "License");
+# you may not use this file except in compliance with the License.
+# You may obtain a copy of the License at
+#
+#     http://www.apache.org/licenses/LICENSE-2.0
+#
+# Unless required by applicable law or agreed to in writing, software
+# distributed under the License is distributed on an "AS IS" BASIS,
+# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
+# See the License for the specific language governing permissions and
+# limitations under the License.
+"""Finetuning on classification task """
+from __future__ import absolute_import
+from __future__ import division
+from __future__ import print_function
+
+import os
+
+import numpy as np
+from paddlehub.common.logger import logger
+from paddlehub.module.module import moduleinfo, serving
+import paddlehub as hub
+
+
+@moduleinfo(
+    name="ernie_tiny_finetuned",
+    version="1.0.0",
+    summary="ERNIE tiny which was fine-tuned on the chnsenticorp dataset.",
+    author="anonymous",
+    author_email="",
+    type="nlp/semantic_model")
+class ERNIETinyFinetuned(hub.Module):
+    def _initialize(self,
+                    ckpt_dir="ckpt_chnsenticorp",
+                    num_class=2,
+                    max_seq_len=128,
+                    use_gpu=False,
+                    batch_size=1):
+        self.ckpt_dir = os.path.join(self.directory, ckpt_dir)
+        self.num_class = num_class
+        self.MAX_SEQ_LEN = max_seq_len
+
+        # Load Paddlehub ERNIE Tiny pretrained model
+        self.module = hub.Module(name="ernie_tiny")
+        inputs, outputs, program = self.module.context(
+            trainable=True, max_seq_len=max_seq_len)
+
+        self.vocab_path = self.module.get_vocab_path()
+
+        # Download dataset and use accuracy as metrics
+        # Choose dataset: GLUE/XNLI/ChinesesGLUE/NLPCC-DBQA/LCQMC
+        # metric should be acc, f1 or matthews
+        metrics_choices = ["acc"]
+
+        # For ernie_tiny, it use sub-word to tokenize chinese sentence
+        # If not ernie tiny, sp_model_path and word_dict_path should be set None
+        reader = hub.reader.ClassifyReader(
+            vocab_path=self.module.get_vocab_path(),
+            max_seq_len=max_seq_len,
+            sp_model_path=self.module.get_spm_path(),
+            word_dict_path=self.module.get_word_dict_path())
+
+        # Construct transfer learning network
+        # Use "pooled_output" for classification tasks on an entire sentence.
+        # Use "sequence_output" for token-level output.
+        pooled_output = outputs["pooled_output"]
+
+        # Setup feed list for data feeder
+        # Must feed all the tensor of module need
+        feed_list = [
+            inputs["input_ids"].name,
+            inputs["position_ids"].name,
+            inputs["segment_ids"].name,
+            inputs["input_mask"].name,
+        ]
+
+        # Setup runing config for PaddleHub Finetune API
+        config = hub.RunConfig(
+            use_data_parallel=False,
+            use_cuda=use_gpu,
+            batch_size=batch_size,
+            checkpoint_dir=self.ckpt_dir,
+            strategy=hub.AdamWeightDecayStrategy())
+
+        # Define a classfication finetune task by PaddleHub's API
+        self.cls_task = hub.TextClassifierTask(
+            data_reader=reader,
+            feature=pooled_output,
+            feed_list=feed_list,
+            num_classes=self.num_class,
+            config=config,
+            metrics_choices=metrics_choices)
+
+    def predict(self, data, return_result=False, accelerate_mode=True):
+        """
+        Get prediction results
+        """
+        run_states = self.cls_task.predict(
+            data=data,
+            return_result=return_result,
+            accelerate_mode=accelerate_mode)
+        return run_states
+
+
+if __name__ == "__main__":
+    ernie_tiny = ERNIETinyFinetuned(
+        ckpt_dir="../ckpt_chnsenticorp", num_class=2)
+
+    # Data to be prdicted
+    data = [["这个宾馆比较陈旧了，特价的房间也很一般。总体来说一般"], ["交通方便；环境很好；服务态度很好 房间较小"],
+            ["19天硬盘就罢工了~~~算上运来的一周都没用上15天~~~可就是不能换了~~~唉~~~~你说这算什么事呀~~~"]]
+
+    index = 0
+    run_states = ernie_tiny.predict(data=data)
+    results = [run_state.run_results for run_state in run_states]
+    for batch_result in results:
+        # get predict index
+        batch_result = np.argmax(batch_result, axis=2)[0]
+        for result in batch_result:
+            print("%s\tpredict=%s" % (data[index][0], result))
+            index += 1

docs/contribution/contri_pretrained_model.md

-# 贡献预训练模型
+# 如何编写一个PaddleHub Module
 
-我们非常欢迎开发者贡献预训练模型到PaddleHub中，如果你想要贡献预训练模型，请提供以下资源：
+## 模型基本信息
 
-## 模型
+我们准备编写一个PaddleHub Module，Module的基本信息如下：
+```yaml
+name: senta_test
+version: 1.0.0
+summary: This is a PaddleHub Module. Just for test.
+author: anonymous
+author_email:
+type: nlp/sentiment_analysis
+```
 
-请提供相应的网络结构和参数文件，除了PaddlePaddle的模型外，我们也支持将其他主流框架的模型转换到PaddleHub中，包括：
-* tensorflow
-* pytorch
-* mxnet
-* caffe
-* onnx
+**本示例代码可以参考[senta_module_sample](../../demo/senta_module_sample/)**
 
-您可以直接使用 [**x2paddle**](https://github.com/PaddlePaddle/X2Paddle) 进行转换，也可以将相应模型提供给我们，由我们进行转换
+Module存在一个接口sentiment_classify，用于接收传入文本，并给出文本的情感倾向（正面/负面），支持python接口调用和命令行调用。
+```python
+import paddlehub as hub
 
-## 相关代码
+senta_test = hub.Module(name="senta_test")
+senta_test.sentiment_classify(texts=["这部电影太差劲了"])
+```
+```cmd
+hub run senta_test --input_text 这部电影太差劲了
+```
 
-* 支持预测的模型，请提供相应的预测脚本以及测试样例
-* 支持finetune的模型，请提供相应的finetune demo
+<br/>
 
-## 相应的介绍资料
+## 策略
 
-|资料|是否必选|
+为了示例代码简单起见，我们使用一个非常简单的情感判断策略，当输入文本中带有词表中指定单词时，则判断文本倾向为负向，否则为正向
+
+<br/>
+
+## Module创建
+
+### step 1. 创建必要的目录与文件
+
+创建一个senta_test的目录，并在senta_test目录下分别创建__init__.py、module.py、processor.py、vocab.list，其中
+
+|文件名|用途|
 |-|-|
-|模型结构|√|
-|预训练的数据集|√|
-|模型介绍文案|√|
-|源代码链接||
-|模型结构图||
-|第三方库依赖||
+|\_\_init\_\_.py|空文件|
+|module.py|主模块，提供Module的实现代码|
+|processor.py|辅助模块，提供词表加载的方法|
+|vocab.list|存放词表|
+
+```cmd
+➜  tree senta_test
+senta_test/
+├── vocab.list
+├── __init__.py
+├── module.py
+└── processor.py
+```
+### step 2. 实现辅助模块processor
+
+在processor.py中实现一个load_vocab接口用于读取词表
+```python
+def load_vocab(vocab_path):
+    with open(vocab_path) as file:
+        return file.read().split()
+```
+
+### step 3. 编写Module处理代码
+
+module.py文件为Module的入口代码所在，我们需要在其中实现预测逻辑。
+
+#### step 3_1. 引入必要的头文件
+```python
+import argparse
+import os
+
+import paddlehub as hub
+from paddlehub.module.module import runnable, moduleinfo
+
+from senta_test.processor import load_vocab
+```
+**NOTE:** 当引用Module中模块时，需要输入全路径，如senta_test.processor
+
+#### step 3_2. 定义SentaTest类
+module.py中需要有一个继承了hub.Module的类存在，该类负责实现预测逻辑，并使用moduleinfo填写基本信息。当使用hub.Module(name="senta_test")加载Module时，PaddleHub会自动创建SentaTest的对象并返回。
+```python
+@moduleinfo(
+    name="senta_test",
+    version="1.0.0",
+    summary="This is a PaddleHub Module. Just for test.",
+    author="anonymous",
+    author_email="",
+    type="nlp/sentiment_analysis",
+)
+class SentaTest(hub.Module):
+    ...
+```
+#### step 3_3. 执行必要的初始化
+```python
+def _initialize(self):
+    # add arg parser
+    self.parser = argparse.ArgumentParser(
+        description="Run the senta_test module.",
+        prog='hub run senta_test',
+        usage='%(prog)s',
+        add_help=True)
+    self.parser.add_argument(
+        '--input_text', type=str, default=None, help="text to predict")
+
+    # load word dict
+    vocab_path = os.path.join(self.directory, "vocab.list")
+    self.vocab = load_vocab(vocab_path)
+```
+`注意`：执行类的初始化不能使用默认的__init__接口，而是应该重载实现_initialize接口。对象默认内置了directory属性，可以直接获取到Module所在路径
+#### step 3_4. 完善预测逻辑
+```python
+def sentiment_classify(self, texts):
+    results = []
+    for text in texts:
+        sentiment = "positive"
+        for word in self.vocab:
+            if word in text:
+                sentiment = "negative"
+                break
+        results.append({"text":text, "sentiment":sentiment})
+
+    return results
+```
+#### step 3_5. 支持命令行调用
+如果希望Module可以支持命令行调用，则需要提供一个经过runnable修饰的接口，接口负责解析传入数据并进行预测，将结果返回。
+
+如果不需要提供命令行预测功能，则可以不实现该接口，PaddleHub在用命令行执行时，会自动发现该Module不支持命令行方式，并给出提示。
+```python
+@runnable
+def run_cmd(self, argvs):
+    args = self.parser.parse_args(argvs)
+    texts = [args.input_text]
+    return self.sentiment_classify(texts)
+```
+#### step 3_6. 支持serving调用
+
+如果希望Module可以支持PaddleHub Serving部署预测服务，则需要提供一个经过serving修饰的接口，接口负责解析传入数据并进行预测，将结果返回。
+
+如果不需要提供PaddleHub Serving部署预测服务，则可以不需要加上serving修饰。
+
+```python
+@serving
+def sentiment_classify(self, texts):
+    results = []
+    for text in texts:
+        sentiment = "positive"
+        for word in self.vocab:
+            if word in text:
+                sentiment = "negative"
+                break
+        results.append({"text":text, "sentiment":sentiment})
+
+    return results
+```
+
+### 完整代码
+
+* [module.py](./senta_test/module.py)
+
+* [processor.py](./senta_test/module.py)
+
+<br/>
+
+## 测试步骤
+
+完成Module编写后，我们可以通过以下方式测试该Module
+
+### 调用方法1
+
+将Module安装到本机中，再通过Hub.Module(name=...)加载
+```shell
+hub install senta_test
+```
+
+```python
+import paddlehub as hub
+
+senta_test = hub.Module(name="senta_test")
+senta_test.sentiment_classify(texts=["这部电影太差劲了"])
+```
+
+### 调用方法2
+
+直接通过Hub.Module(directory=...)加载
+```python
+import paddlehub as hub
+
+senta_test = hub.Module(directory="senta_test/")
+senta_test.sentiment_classify(texts=["这部电影太差劲了"])
+```
+
+### 调用方法3
+将senta_test作为路径加到环境变量中，直接加载SentaTest对象
+```shell
+export PYTHONPATH=senta_test:$PYTHONPATH
+```
+
+```python
+from senta_test.module import SentaTest
+
+SentaTest.sentiment_classify(texts=["这部电影太差劲了"])
+```
 
-**NOTE:**
+### 调用方法4
+将Module安装到本机中，再通过hub run运行
 
-* 为了保证使用体验，请确保模型在python 2.7/3.x下均可正常运行
+```shell
+hub install senta_test
+hub run senta_test --input_text "这部电影太差劲了"
+```

docs/tutorial/finetuned_model_to_module.md

+# Fine-tune保存的模型如何转化为一个PaddleHub Module
+
+## 模型基本信息
+
+本示例以模型ERNIE Tiny在数据集ChnSentiCorp上完成情感分类Fine-tune任务后保存的模型转化为一个PaddleHub Module，Module的基本信息如下：
+```yaml
+name: ernie_tiny_finetuned
+version: 1.0.0
+summary: ERNIE tiny which was fine-tuned on the chnsenticorp dataset.
+author: anonymous
+author_email:
+type: nlp/semantic_model
+```
+
+**本示例代码可以参考[finetuned_model_to_module](../../demo/text_classification/finetuned_model_to_module/)**
+
+Module存在一个接口predict，用于接收带预测，并给出文本的情感倾向（正面/负面），支持python接口调用和命令行调用。
+```python
+import paddlehub as hub
+
+ernie_tiny_finetuned = hub.Module(name="ernie_tiny_finetuned")
+ernie_tiny_finetuned.predcit(data=[["这个宾馆比较陈旧了，特价的房间也很一般。总体来说一般"], ["交通方便；环境很好；服务态度很好 房间较小"],
+            ["19天硬盘就罢工了~~~算上运来的一周都没用上15天~~~可就是不能换了~~~唉~~~~你说这算什么事呀~~~"]])
+```
+
+
+## Module创建
+
+### step 1. 创建必要的目录与文件
+
+创建一个finetuned_model_to_module的目录，并在finetuned_model_to_module目录下分别创建__init__.py、module.py，其中
+
+|文件名|用途|
+|-|-|
+|\_\_init\_\_.py|空文件|
+|module.py|主模块，提供Module的实现代码|
+|ckpt文件|利用PaddleHub Fine-tune得到的ckpt文件夹，其中必须包含best_model文件|
+
+
+```cmd
+➜  tree finetuned_model_to_module
+finetuned_model_to_module/
+├── __init__.py
+├── ckpt_chnsenticorp
+│   ├── ***
+│   ├── best_model
+│   │   ├── ***
+└── module.py
+```
+
+### step 2. 编写Module处理代码
+
+module.py文件为Module的入口代码所在，我们需要在其中实现预测逻辑。
+
+#### step 2_1. 引入必要的头文件
+```python
+import os
+
+import numpy as np
+from paddlehub.common.logger import logger
+from paddlehub.module.module import moduleinfo, serving
+import paddlehub as hub
+```
+
+#### step 2_2. 定义ERNIE_Tiny_Finetuned类
+module.py中需要有一个继承了hub.Module的类存在，该类负责实现预测逻辑，并使用moduleinfo填写基本信息。当使用hub.Module(name="ernie_tiny_finetuned")加载Module时，PaddleHub会自动创建ERNIE_Tiny_Finetuned的对象并返回。
+```python
+@moduleinfo(
+    name="ernie_tiny_finetuned",
+    version="1.0.0",
+    summary="ERNIE tiny which was fine-tuned on the chnsenticorp dataset.",
+    author="anonymous",
+    author_email="",
+    type="nlp/semantic_model")
+class ERNIETinyFinetuned(hub.Module):
+    ...
+```
+#### step 2_3. 执行必要的初始化
+```python
+def _initialize(self,
+                ckpt_dir="ckpt_chnsenticorp",
+                num_class=2,
+                max_seq_len=128,
+                use_gpu=False,
+                batch_size=1):
+    self.ckpt_dir = os.path.join(self.directory, ckpt_dir)
+    self.num_class = num_class
+    self.MAX_SEQ_LEN = max_seq_len
+
+    self.params_path = os.path.join(self.ckpt_dir, 'best_model')
+    if not os.path.exists(self.params_path):
+        logger.error(
+            "%s doesn't contain the best_model file which saves the best parameters as fietuning."
+        )
+        exit()
+
+    # Load Paddlehub ERNIE Tiny pretrained model
+    self.module = hub.Module(name="ernie_tiny")
+    inputs, outputs, program = self.module.context(
+        trainable=True, max_seq_len=max_seq_len)
+
+    self.vocab_path = self.module.get_vocab_path()
+
+    # Download dataset and use accuracy as metrics
+    # Choose dataset: GLUE/XNLI/ChinesesGLUE/NLPCC-DBQA/LCQMC
+    # metric should be acc, f1 or matthews
+    metrics_choices = ["acc"]
+
+    # For ernie_tiny, it use sub-word to tokenize chinese sentence
+    # If not ernie tiny, sp_model_path and word_dict_path should be set None
+    reader = hub.reader.ClassifyReader(
+        vocab_path=self.module.get_vocab_path(),
+        max_seq_len=max_seq_len,
+        sp_model_path=self.module.get_spm_path(),
+        word_dict_path=self.module.get_word_dict_path())
+
+    # Construct transfer learning network
+    # Use "pooled_output" for classification tasks on an entire sentence.
+    # Use "sequence_output" for token-level output.
+    pooled_output = outputs["pooled_output"]
+
+    # Setup feed list for data feeder
+    # Must feed all the tensor of module need
+    feed_list = [
+        inputs["input_ids"].name,
+        inputs["position_ids"].name,
+        inputs["segment_ids"].name,
+        inputs["input_mask"].name,
+    ]
+
+    # Setup runing config for PaddleHub Finetune API
+    config = hub.RunConfig(
+        use_data_parallel=False,
+        use_cuda=use_gpu,
+        batch_size=batch_size,
+        checkpoint_dir=self.ckpt_dir,
+        strategy=hub.AdamWeightDecayStrategy())
+
+    # Define a classfication finetune task by PaddleHub's API
+    self.cls_task = hub.TextClassifierTask(
+        data_reader=reader,
+        feature=pooled_output,
+        feed_list=feed_list,
+        num_classes=self.num_class,
+        config=config,
+        metrics_choices=metrics_choices)
+```
+
+初始化过程即为Fine-tune时创建Task的过程。
+
+**NOTE:** 执行类的初始化不能使用默认的__init__接口，而是应该重载实现_initialize接口。对象默认内置了directory属性，可以直接获取到Module所在路径
+
+#### step 3_4. 完善预测逻辑
+```python
+def predict(self, data, return_result=False, accelerate_mode=True):
+    """
+    Get prediction results
+    """
+    run_states = self.cls_task.predict(
+        data=data,
+        return_result=return_result,
+        accelerate_mode=accelerate_mode)
+    return run_states
+```
+
+#### step 3_5. 支持serving调用
+
+如果希望Module可以支持PaddleHub Serving部署预测服务，则需要将预测接口predcit加上serving修饰(`@serving`)，接口负责解析传入数据并进行预测，将结果返回。
+
+如果不需要提供PaddleHub Serving部署预测服务，则可以不需要加上serving修饰。
+
+```python
+@serving
+def predict(self, data, return_result=False, accelerate_mode=True):
+    """
+    Get prediction results
+    """
+    run_states = self.cls_task.predict(
+        data=data,
+        return_result=return_result,
+        accelerate_mode=accelerate_mode)
+    return run_states
+```
+
+### 完整代码
+
+* [module.py](../../demo/text_classification/finetuned_model_to_module/module.py)
+
+* [__init__.py](../../demo/text_classification/finetuned_model_to_module/__init__.py)
+
+**NOTE:** `__init__.py`是空文件
+
+## 测试步骤
+
+完成Module编写后，我们可以通过以下方式测试该Module
+
+### 调用方法1
+
+将Module安装到本机中，再通过Hub.Module(name=...)加载
+```shell
+hub install finetuned_model_to_module
+```
+
+安装成功会显示**Successfully installed ernie_tiny_finetuned**
+
+```python
+import paddlehub as hub
+import numpy as np
+
+
+ernie_tiny = hub.Module(name="ernie_tiny_finetuned")
+
+# Data to be prdicted
+data = [["这个宾馆比较陈旧了，特价的房间也很一般。总体来说一般"], ["交通方便；环境很好；服务态度很好 房间较小"],
+        ["19天硬盘就罢工了~~~算上运来的一周都没用上15天~~~可就是不能换了~~~唉~~~~你说这算什么事呀~~~"]]
+
+index = 0
+run_states = ernie_tiny.predict(data=data)
+results = [run_state.run_results for run_state in run_states]
+for batch_result in results:
+    # get predict index
+    batch_result = np.argmax(batch_result, axis=2)[0]
+    for result in batch_result:
+        print("%s\tpredict=%s" % (data[index][0], result))
+        index += 1
+```
+
+### 调用方法2
+
+直接通过Hub.Module(directory=...)加载
+```python
+import paddlehub as hub
+import numpy as np
+
+ernie_tiny_finetuned = hub.Module(directory="finetuned_model_to_module/")
+
+# Data to be prdicted
+data = [["这个宾馆比较陈旧了，特价的房间也很一般。总体来说一般"], ["交通方便；环境很好；服务态度很好 房间较小"],
+        ["19天硬盘就罢工了~~~算上运来的一周都没用上15天~~~可就是不能换了~~~唉~~~~你说这算什么事呀~~~"]]
+
+index = 0
+run_states = ernie_tiny.predict(data=data)
+results = [run_state.run_results for run_state in run_states]
+for batch_result in results:
+    # get predict index
+    batch_result = np.argmax(batch_result, axis=2)[0]
+    for result in batch_result:
+        print("%s\tpredict=%s" % (data[index][0], result))
+        index += 1
+```
+
+### 调用方法3
+将finetuned_model_to_module作为路径加到环境变量中，直接加载ERNIETinyFinetuned对象
+```shell
+export PYTHONPATH=finetuned_model_to_module:$PYTHONPATH
+```
+
+```python
+from finetuned_model_to_module.module import ERNIETinyFinetuned
+import numpy as np
+
+# Data to be prdicted
+data = [["这个宾馆比较陈旧了，特价的房间也很一般。总体来说一般"], ["交通方便；环境很好；服务态度很好 房间较小"],
+        ["19天硬盘就罢工了~~~算上运来的一周都没用上15天~~~可就是不能换了~~~唉~~~~你说这算什么事呀~~~"]]
+
+run_states = ERNIETinyFinetuned.predict(data=data)
+index = 0
+results = [run_state.run_results for run_state in run_states]
+for batch_result in results:
+    # get predict index
+    batch_result = np.argmax(batch_result, axis=2)[0]
+    for result in batch_result:
+        print("%s\tpredict=%s" % (data[index][0], result))
+        index += 1
+```

docs/tutorial/tutorial_index.rst

@@ -11,10 +11,11 @@
 
     命令行工具<cmdintro>
     自定义数据<how_to_load_data>
+    Fine-tune模型转化为PaddleHub Module<finetuned_model_to_module.md>
     自定义任务<how_to_define_task>
     服务化部署<serving>
     文本Embedding服务<bert_service>
     语义相似度计算<sentence_sim>
     ULMFit优化策略<strategy_exp>
     超参优化<autofinetune>
-    Hook机制<hook>
+    Hook机制<hook>
\ No newline at end of file