fix according to review

modules/image/classification/resnet50_vd_10w/README_en.md

@@ -54,15 +54,15 @@
     def context(trainable=True, pretrained=True)
     ```
     - **Parameters**
-      - trainable (bool): 计算图的Parameters是否为可训练的；<br/>
-      - pretrained (bool): 是否加载默认的预训练模型.
+      - trainable (bool): whether parameters are trainable；<br/>
+      - pretrained (bool): whether load the pre-trained model.
 
     - **Return**
-      - inputs (dict): 计算图的输入，key 为 'image', value 为图片的张量；<br/>
-      - outputs (dict): 计算图的输出，key 为 'classification' 和 'feature_map'，其相应的值为：
-        - classification (paddle.fluid.framework.Variable): 分类结果，也就是全连接层的输出；
-        - feature\_map (paddle.fluid.framework.Variable): 特征匹配，全连接层前面的那个张量.
-      - context\_prog(fluid.Program): 计算图，用于迁移学习.
+      - inputs (dict): model inputs，key is 'image', value is the image tensor；<br/>
+      - outputs (dict): model outputs，key is 'classification' and 'feature_map'，values：
+        - classification (paddle.fluid.framework.Variable): classification result；
+        - feature\_map (paddle.fluid.framework.Variable): feature map extracted by model.
+      - context\_prog(fluid.Program): computation graph, used for transfer learning.
 
 
 
@@ -73,9 +73,9 @@
                              combined=True)
     ```
     - **Parameters**
-      - dirname: output dir for saving model
-      - model_filename: 模型文件名称，默认为\_\_model\_\_; <br/>
-      - params_filename: Parameters文件名称，默认为\_\_params\_\_(仅当`combined`为True时生效); <br/>
+      - dirname: output dir for saving model; <br/>
+      - model_filename: filename of model, default is \_\_model\_\_; <br/>
+      - params_filename: filename of parameters，default is \_\_params\_\_(only effective when `combined` is True); <br/>
       - combined: whether save parameters into one file
 
 

modules/image/classification/se_resnet18_vd_imagenet/README_en.md

-## 命令行预测
-
-```
-hub run se_resnet18_vd_imagenet --input_path "/PATH/TO/IMAGE"
-```
-
-## API
-
-```python
-def get_expected_image_width()
-```
-
-返回预处理的图片宽度，也就是224。
-
-```python
-def get_expected_image_height()
-```
-
-返回预处理的图片高度，也就是224。
-
-```python
-def get_pretrained_images_mean()
-```
-
-返回预处理的图片均值，也就是 \[0.485, 0.456, 0.406\]。
-
-```python
-def get_pretrained_images_std()
-```
-
-返回预处理的图片标准差，也就是 \[0.229, 0.224, 0.225\]。
-
-
-```python
-def context(trainable=True, pretrained=True)
-```
-
-**参数**
-
-* trainable (bool): 计算图的参数是否为可训练的；
-* pretrained (bool): 是否加载默认的预训练模型。
-
-**返回**
-
-* inputs (dict): 计算图的输入，key 为 'image', value 为图片的张量；
-* outputs (dict): 计算图的输出，key 为 'classification' 和 'feature_map'，其相应的值为：
-    * classification (paddle.fluid.framework.Variable): 分类结果，也就是全连接层的输出；
-    * feature\_map (paddle.fluid.framework.Variable): 特征匹配，全连接层前面的那个张量。
-* context\_prog(fluid.Program): 计算图，用于迁移学习。
-
-```python
-def classification(images=None,
-                   paths=None,
-                   batch_size=1,
-                   use_gpu=False,
-                   top_k=1):
-```
-
-**参数**
-
-* images (list\[numpy.ndarray\]): 图片数据，每一个图片数据的shape 均为 \[H, W, C\]，颜色空间为 BGR；
-* paths (list\[str\]): 图片的路径；
-* batch\_size (int): batch 的大小；
-* use\_gpu (bool): 是否使用 GPU 来预测；
-* top\_k (int): 返回预测结果的前 k 个。
-
-**返回**
-
-res (list\[dict\]): 分类结果，列表的每一个元素均为字典，其中 key 为识别动物的类别，value为置信度。
-
-```python
-def save_inference_model(dirname,
-                         model_filename=None,
-                         params_filename=None,
-                         combined=True)
-```
-
-将模型保存到指定路径。
-
-**参数**
-
-* dirname: 存在模型的目录名称
-* model\_filename: 模型文件名称，默认为\_\_model\_\_
-* params\_filename: 参数文件名称，默认为\_\_params\_\_(仅当`combined`为True时生效)
-* combined: 是否将参数保存到统一的一个文件中
-
-## 预测代码示例
-
-```python
-import paddlehub as hub
-import cv2
-
-classifier = hub.Module(name="se_resnet18_vd_imagenet")
-
-result = classifier.classification(images=[cv2.imread('/PATH/TO/IMAGE')])
-# or
-# result = classifier.classification(paths=['/PATH/TO/IMAGE'])
-```
-
-## Server Deployment
-
-PaddleHub Serving可以部署一个在线图像识别服务。
-
-## 第一步：启动PaddleHub Serving
-
-运行启动命令：
-```shell
-$ hub serving start -m se_resnet18_vd_imagenet
-```
-
-这样就完成了一个在线图像识别服务化API的部署，默认端口号为8866。
-
-**NOTE:** 如使用GPU预测，则需要在启动服务之前，请设置CUDA\_VISIBLE\_DEVICES环境变量，否则不用设置。
-
-## 第二步：发送预测请求
-
-配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果
-
-```python
-import requests
-import json
-import cv2
-import base64
-
-
-def cv2_to_base64(image):
-    data = cv2.imencode('.jpg', image)[1]
-    return base64.b64encode(data.tostring()).decode('utf8')
-
-
-# Send an HTTP request
-data = {'images':[cv2_to_base64(cv2.imread("/PATH/TO/IMAGE"))]}
-headers = {"Content-type": "application/json"}
-url = "http://127.0.0.1:8866/predict/se_resnet18_vd_imagenet"
-r = requests.post(url=url, headers=headers, data=json.dumps(data))
-
-# print prediction results
-print(r.json()["results"])
-```
-
-### 查看代码
-
-https://github.com/PaddlePaddle/PaddleClas
-
-### 依赖
-
-paddlepaddle >= 1.6.2
-
-paddlehub >= 1.6.0