Update docs.

README.md

@@ -224,13 +224,12 @@ If you have any questions during the use of the model, you can join the official
 If you fail to scan the code, please add WeChat 15704308458 and note "Hub", the operating class will invite you to join the group.
 
 ## Documentation Tutorial
-- [PIP Installation](./docs/docs_en/installation_en.md)
+- [PIP Installation](./docs/docs_en/get_start/installation.rst)
 - Quick Start
-    - [Command Line](./docs/docs_en/quick_experience/cmd_quick_run_en.md)
-    - [Python API](./docs/docs_en/quick_experience/python_use_hub_en.md)
-    - [More Demos](./docs/docs_en/quick_experience/more_demos_en.md)
+    - [Python API](./docs/docs_en/get_start/python_use_hub.rst)
+    - [More Demos](./docs/docs_en/community/more_demos.md)
 - Rich Pre-trained Models 274
-    - [Boutique Featured Models](./docs/docs_en/figures_en.md)
+    - [Boutique Featured Models](./docs/docs_en/figures.md)
     - Computer Vision 141
       - [Image Classification 64 ](./modules/image/classification/README_en.md)
       - [Object Detection 13 ](./modules/image/object_detection/README_en.md)
@@ -254,16 +253,13 @@ If you fail to scan the code, please add WeChat 15704308458 and note "Hub", the
       - [Video Classification 5 ](./modules/video/README_en.md)
       - [Video Repair 3 ](https://www.paddlepaddle.org.cn/hublist)
 - Deploy
-    - [Local Inference Deployment](./docs/docs_en/quick_experience/python_use_hub_en.md)
-    - [One Line of Code Service deployment](./docs/docs_en/tutorial/serving_en.md)
+    - [One Line of Code Service deployment](./docs/docs_en/tutorial/serving.md)
     - [Mobile Device Deployment](https://paddle-lite.readthedocs.io/zh/latest/quick_start/tutorial.html)
 - Advanced documentation
-    - [Command Line Interface Usage](./docs/docs_en/tutorial/cmdintro_en.md)
-    - [How to Load Customized Dataset](./docs/docs_en/tutorial/how_to_load_data_en.md)
+    - [Command Line Interface Usage](./docs/docs_en/tutorial/cmd_usage.rst)
 - Community
     - [Join Technical Group](#Welcome_joinus)
-    - [Contribute Pre-trained Models](./docs/docs_en/contribution/contri_pretrained_model_en.md)
-    - [Contribute Code](./docs/docs_en/contribution/contri_pr_en.md)
+    - [Contribute Code](./docs/docs_en/community/contribute_code.md)
 - [License](#License)
 - [Contribution](#Contribution)
 

README_ch.md

@@ -227,11 +227,10 @@
 
 ## 文档教程
 
-- [PIP安装](./docs/docs_ch/installation.md)
+- [PIP安装](./docs/docs_ch/get_start/installation.rst)
 - 快速开始
-    - [命令行调用](./docs/docs_ch/quick_experience/cmd_quick_run.md)
-    - [Python API调用](./docs/docs_ch/quick_experience/python_use_hub.md)
-    - [示例体验项目demo](./docs/docs_ch/quick_experience/more_demos.md)
+    - [Python API调用](./docs/docs_ch/get_start/python_use_hub.rst)
+    - [示例体验项目demo](./docs/docs_ch/community/more_demos.md)
 - 丰富的预训练模型 274
     - [精品特色模型](./docs/docs_ch/figures.md)
     - 计算机视觉 141 个
@@ -257,16 +256,13 @@
       - [视频分类 5 个](./modules/video/README.md)
       - [视频修复 3 个](https://www.paddlepaddle.org.cn/hublist)
 - 部署
-    - [本地Inference部署](./docs/docs_ch/quick_experience/python_use_hub.md)
     - [一行代码服务化部署](./docs/docs_ch/tutorial/serving.md)
     - [移动端 Lite 部署（跳转Lite教程）](https://paddle-lite.readthedocs.io/zh/latest/quick_start/tutorial.html)
 - 进阶文档
-    - [命令行工具详解](./docs/docs_ch/tutorial/cmdintro.md)
-    - [自定义数据迁移学习](./docs/docs_ch/tutorial/how_to_load_data.md)
+    - [命令行工具详解](./docs/docs_ch/tutorial/cmd_usage.rst)
 - 社区交流
     - [加入技术交流群](#欢迎加入PaddleHub技术交流群)
-    - [贡献预训练模型](./docs/docs_ch/contribution/contri_pretrained_model.md)
-    - [贡献代码](./docs/docs_ch/contribution/contri_pr.md)
+    - [贡献代码](./docs/docs_ch/contribution/contribute_code.md)
 - [FAQ](./docs/docs_ch/faq.md)  
 - [更新历史](./docs/docs_ch/release.md)
 - [许可证书](#许可证书)

docs/docs_ch/Makefile

+# Minimal makefile for Sphinx documentation
+#
+
+# You can set these variables from the command line, and also
+# from the environment for the first two.
+SPHINXOPTS    ?=
+SPHINXBUILD   ?= sphinx-build
+SOURCEDIR     = .
+BUILDDIR      = _build
+
+# Put it first so that "make" without argument is like "make help".
+help:
+	@$(SPHINXBUILD) -M help "$(SOURCEDIR)" "$(BUILDDIR)" $(SPHINXOPTS) $(O)
+
+.PHONY: help Makefile
+
+# Catch-all target: route all unknown targets to Sphinx using the new
+# "make mode" option.  $(O) is meant as a shortcut for $(SPHINXOPTS).
+%: Makefile
+	@$(SPHINXBUILD) -M $@ "$(SOURCEDIR)" "$(BUILDDIR)" $(SPHINXOPTS) $(O)

docs/docs_ch/api/datasets/canvas.rst

+==============
+Canvas
+==============
+
+.. code-block:: python
+
+    class paddlehub.datasets.Canvas(transform: Callable, mode: str = 'train'):
+
+-----------------
+
+   Dataset for colorization. It contains 1193 and 400 pictures for Monet and Vango paintings style, respectively. We collected data from https://people.eecs.berkeley.edu/~taesung_park/CycleGAN/datasets/.
+
+-----------------
+
+* Args:
+    * transform(Callable)
+        The method of preprocess images.
+    
+    * mode(str)
+        The mode for preparing dataset(train or test). Default to 'train'.
\ No newline at end of file

docs/docs_ch/api/datasets/chnsenticorp.rst

+==============
+ChnSentiCorp
+==============
+
+.. code-block:: python
+
+    class paddlehub.datasets.ChnSentiCorp(tokenizer: Union[BertTokenizer, CustomTokenizer], max_seq_len: int = 128, mode: str = 'train'):
+
+-----------------
+
+    ChnSentiCorp is a dataset for chinese sentiment classification, which was published by Tan Songbo at ICT of Chinese Academy of Sciences.
+
+-----------------
+
+* Args:
+    * tokenizer(:obj:`BertTokenizer` or `CustomTokenizer`)
+        It tokenizes the text and encodes the data as model needed.
+
+    * max_seq_len(:obj:`int`, `optional`, defaults to :128)
+        The maximum length (in number of tokens) for the inputs to the selected module, such as ernie, bert and so on.
+
+    * mode(:obj:`str`, `optional`, defaults to `train`):
+        It identifies the dataset mode (train, test or dev).
\ No newline at end of file

docs/docs_ch/api/datasets/esc50.rst

+==============
+ESC50
+==============
+
+.. code-block:: python
+
+    class paddlehub.datasets.ESC50(mode: str = 'train', feat_type: str = 'mel'):)
+
+-----------------
+
+    The ESC-50 dataset is a labeled collection of 2000 environmental audio recordings suitable for benchmarking methods of environmental sound classification.
+   
+-----------------
+
+* Args:
+    * mode(:obj:`str`, `optional`, defaults to `train`):
+        It identifies the dataset mode (train, test or dev).
+    
+    * feat_type(:obj:`str`, `optional`, defaults to `mel`):
+        It identifies the input feature type (mel, or raw).
\ No newline at end of file

docs/docs_ch/api/datasets/flowers.rst

+==============
+Flowers
+==============
+
+.. code-block:: python
+
+    class paddlehub.datasets.Flowers(transform: Callable, mode: str = 'train'):
+
+-----------------
+
+   Flower classification dataset.
+
+-----------------
+
+* Args:
+    * transform(Callable)
+        The method of preprocess images.
+    
+    * mode(str)
+        The mode for preparing dataset(train, test or val). Default to 'train'.
\ No newline at end of file

docs/docs_ch/api/datasets/lcqmc.rst

+==============
+LCQMC
+==============
+
+.. code-block:: python
+
+    class paddlehub.datasets.LCQMC(tokenizer: Union[BertTokenizer, CustomTokenizer], max_seq_len: int = 128, mode: str = 'train'):
+
+-----------------
+
+    A Large-scale Chinese Question Matching Corpus.
+    
+-----------------
+
+* Args:
+    * tokenizer(:obj:`BertTokenizer` or `CustomTokenizer`)
+        It tokenizes the text and encodes the data as model needed.
+
+    * max_seq_len(:obj:`int`, `optional`, defaults to :128)
+        The maximum length (in number of tokens) for the inputs to the selected module, such as ernie, bert and so on.
+
+    * mode(:obj:`str`, `optional`, defaults to `train`):
+        It identifies the dataset mode (train, test or dev).
\ No newline at end of file

docs/docs_ch/api/datasets/minicoco.rst

+==============
+MiniCOCO
+==============
+
+.. code-block:: python
+
+    class paddlehub.datasets.MiniCOCO(transform: Callable, mode: str = 'train'):
+
+-----------------
+
+   Dataset for Style transfer. The dataset contains 2001 images for training set and 200 images for testing set. They are derived form COCO2014. Meanwhile, it contains 21 different style pictures in file "21styles".
+
+-----------------
+
+* Args:
+    * transform(Callable)
+        The method of preprocess images.
+    
+    * mode(str)
+        The mode for preparing dataset(train or test). Default to 'train'.
\ No newline at end of file

docs/docs_ch/api/datasets/msra_ner.rst

+==============
+MSRA_NER
+==============
+
+.. code-block:: python
+
+    class paddlehub.datasets.MSRA_NER(tokenizer: Union[BertTokenizer, CustomTokenizer], max_seq_len: int = 128, mode: str = 'train'):
+
+-----------------
+
+    A set of manually annotated Chinese word-segmentation data and specifications for training and testing a Chinese word-segmentation system for research purposes.  For more information please refer to https://www.microsoft.com/en-us/download/details.aspx?id=52531
+
+-----------------
+
+* Args:
+    * tokenizer(:obj:`BertTokenizer` or `CustomTokenizer`)
+        It tokenizes the text and encodes the data as model needed.
+
+    * max_seq_len(:obj:`int`, `optional`, defaults to :128)
+        The maximum length (in number of tokens) for the inputs to the selected module, such as ernie, bert and so on.
+
+    * mode(:obj:`str`, `optional`, defaults to `train`):
+        It identifies the dataset mode (train, test or dev).
\ No newline at end of file

docs/docs_ch/api/datasets/opticdisc.rst

+==============
+OpticDiscSeg
+==============
+
+.. code-block:: python
+
+    class paddlehub.datasets.OpticDiscSeg(transform: Callable, mode: str = 'train'):
+
+-----------------
+
+   OpticDiscSeg dataset is extraced from iChallenge-AMD(https://ai.baidu.com/broad/subordinate?dataset=amd).
+   
+-----------------
+
+* Args:
+    * transform(Callable)
+        The method of preprocess images.
+    
+    * mode(str)
+        The mode for preparing dataset(train, test or val). Default to 'train'.
\ No newline at end of file

docs/docs_ch/api/datasets_index.rst

+==============
+Datasets
+==============
+
+
+CV
+==============
+.. toctree::
+   :maxdepth: 2
+   :titlesonly:
+
+   Canvas<datasets/canvas.rst>
+   Flowers<datasets/flowers.rst>
+   OpticDiscSeg<datasets/opticdisc.rst>
+   MiniCOCO<datasets/minicoco.rst>
+
+NLP
+==============
+.. toctree::
+   :maxdepth: 2
+   :titlesonly:
+
+   ChnSentiCorp<datasets/chnsenticorp.rst>
+   LCQMC<datasets/lcqmc.rst>
+   MSRA_NER<datasets/msra_ner.rst>
+
+Audio
+==============
+.. toctree::
+   :maxdepth: 2
+   :titlesonly:
+
+   ESC50<datasets/esc50.rst>
\ No newline at end of file

docs/docs_ch/api/env.rst

+================
+Hub Environment
+================
+
+.. code-block:: console
+
+    HUB_HOME
+    ├── MODULE_HOME
+    ├── CACHE_HOME
+    ├── DATA_HOME
+    ├── CONF_HOME
+    ├── THIRD_PARTY_HOME
+    ├── TMP_HOME
+    └── LOG_HOME
+
+
+paddlehub.env.HUB_HOME
+=========================
+
+    The root directory for storing PaddleHub related data. Default to ~/.paddlehub. Users can change the default value through the HUB_HOME environment variable.
+
+paddlehub.env.MODULE_HOME
+=========================
+
+    Directory for storing the installed PaddleHub Module.
+
+paddlehub.env.CACHE_HOME
+=========================
+
+    Directory for storing the cached data.
+
+paddlehub.env.DATA_HOME
+=========================
+
+    Directory for storing the automatically downloaded datasets.
+
+paddlehub.env.CONF_HOME
+=========================
+
+    Directory for storing the default configuration files.
+
+paddlehub.env.THIRD_PARTY_HOME
+================================
+
+    Directory for storing third-party libraries.
+
+paddlehub.env.TMP_HOME
+=========================
+
+    Directory for storing the temporary files generated during running, such as intermediate products of installing modules, files in this directory will generally be automatically cleared.
+
+paddlehub.env.LOG_HOME
+=========================
+
+    Directory for storing the log files generated during operation, including some non-fatal errors. The log will be stored daily.

docs/docs_ch/api/module.rst

+==============
+Module
+==============
+
+.. code-block:: python
+
+    class paddlehub.Module(
+        name: str = None,
+        directory: str = None,
+        version: str = None,
+        ignore_env_mismatch: bool = False,
+        **kwargs)
+
+-----------------
+
+   In PaddleHub, Module represents an executable module, which usually a pre-trained model that can be used for end-to-end prediction, such as a face detection model or a lexical analysis model, or a pre-trained model that requires finetuning, such as BERT/ERNIE. When loading a Module with a specified name, if the Module does not exist locally, PaddleHub will automatically request the server or the specified Git source to download the resource.
+
+-----------------
+
+* Args:
+    * name(str | optional)
+        Module name.
+
+    * directory(str | optional)
+        Directory of the module to be loaded, only takes effect when the `name` is not specified.
+
+    * version(str | optional)
+        The version limit of the module, only takes effect when the `name` is specified. When the local Module does not meet the specified version conditions, PaddleHub will re-request the server to download the appropriate Module. Default to None, This means that the local Module will be used. If the Module does not exist, PaddleHub will download the latest version available from the server according to the usage environment.
+    
+    * ignore_env_mismatch(bool | optional)
+        Whether to ignore the environment mismatch when installing the Module. Default to False.
+
+**member functions**
+=====================
+
+export_onnx_model
+------------------
+
+    .. code-block:: python
+
+        def export_onnx_model(
+            dirname: str,
+            input_spec: List[paddle.static.InputSpec] = None,
+            include_sub_modules: bool = True,
+            **kwargs):
+
+    Export the model to ONNX format.
+
+    * Args:
+        * dirname(str)
+            The directory to save the onnx model.
+        
+        * input_spec(list)
+            Describes the input of the saved model's forward method, which can be described by InputSpec or example Tensor. If None, all input variables of the original Layer's forward method would be the inputs of the saved model. Default None.
+            
+        * include_sub_modules(bool)
+            Whether to export sub modules. Default to True.
+            
+        * \*\*kwargs(dict|optional)
+            Other export configuration options for compatibility, some may be removed in the future. Don't use them If not necessary. Refer to https://github.com/PaddlePaddle/paddle2onnx for more information.
+
+save_inference_model
+----------------------
+
+    .. code-block:: python
+
+        def save_inference_model(
+            dirname: str,
+            model_filename: str = None,
+            params_filename: str = None,
+            input_spec: List[paddle.static.InputSpec] = None,
+            include_sub_modules: bool = True,
+            combined: bool = True):
+
+    Export the model to Paddle Inference format.
+
+    * Args:
+        * name(str | optional)
+            Module name.
+
+        * model_filename(str)
+            The name of the saved model file. Default to `__model__`.
+
+        * params_filename(str)
+            The name of the saved parameters file, only takes effect when `combined` is True. Default to `__params__`.
+
+        * input_spec(list)
+            Describes the input of the saved model's forward method, which can be described by InputSpec or example Tensor. If None, all input variables of the original Layer's forward method would be the inputs of the saved model. Default None.
+
+        * include_sub_modules(bool)
+            Whether to export sub modules. Default to True.
+        
+        * combined(bool)
+            Whether to save all parameters in a combined file. Default to True.
+
+sub_modules
+----------------------
+
+    .. code-block:: python
+
+        def sub_modules(recursive: bool = True):
+
+    Get all sub modules.
+
+    * Args:
+        * recursive(bool): 
+            Whether to get sub modules recursively. Default to True.
+
+**classmethod**
+=================
+
+get_py_requirements
+----------------------
+
+    .. code-block:: python
+
+        @classmethod
+        def get_py_requirements(cls) -> List[str]:
+
+    Get Module's python package dependency list.
+
+load
+----------------------
+
+    .. code-block:: python
+
+        @classmethod
+        def load(cls, directory: str) -> Generic:
+
+    Load the Module object defined in the specified directory.
+
+    * Args:
+        * directory(str): 
+            Module directory.
+
+load_module_info
+----------------------
+
+    .. code-block:: python
+
+        @classmethod
+        def load_module_info(cls, directory: str) -> EasyDict:
+
+    Load the Module object defined in the specified directory.
+
+    * Args:
+        * directory(str): 
+            Module directory.
+
+**property**
+=================
+
+is_runnable
+-----------------
+
+    .. code-block:: python
+
+        is_runnable
+
+    Whether the Module is runnable, in other words, whether can we execute the Module through the `hub run` command.
+
+name
+-----------------
+
+    .. code-block:: python
+
+        name
+
+    Module name.
+
+directory
+-----------------
+
+    .. code-block:: python
+
+        directory
+
+    Directory of Module.
+
+version
+-----------------
+
+    .. code-block:: python
+
+        version
+
+    Module name.
+
+type
+-----------------
+
+    .. code-block:: python
+
+        type
+
+    Module type.
+
+summary
+-----------------
+
+    .. code-block:: python
+
+        summary
+
+    Module summary.
+
+author
+-----------------
+
+    .. code-block:: python
+
+        author
+
+    The author of Module
+
+author_email
+-----------------
+
+    .. code-block:: python
+
+        author_email
+
+    The email of Module author
+
+.. note::
+    Module is a factory class that is used to automatically download and load user-defined model classes. In addition to the above methods or property, each Module has other custom methods or property. The relevant definitions need to be viewed in the corresponding documentation

docs/docs_ch/api/module_decorator.rst

+=================
+Module Decorator
+=================
+
+moduleinfo
+============
+
+.. code-block:: python
+
+    def paddlehub.module.module.moduleinfo(
+        name: str,
+        version: str,
+        author: str = None,
+        author_email: str = None,
+        summary: str = None,
+        type: str = None,
+        meta=None) -> Callable:
+
+-----------------
+
+   Mark Module information for a python class, and the class will automatically be extended to inherit HubModule. In other words, python classes marked with moduleinfo can be loaded through hub.Module.
+
+-----------------
+
+* Args:
+    * name(str)
+        Module name.
+    
+    * version(str)
+        Module name.
+
+    * author(str)
+        The author of Module.
+
+    * author_email(str)
+        The email of Module author.
+
+    * summary(str)
+        Module summary.
+
+    * type(str)
+        Module type.
+
+
+moduleinfo
+============
+
+.. code-block:: python
+
+    def paddlehub.module.module.runnable(func: Callable) -> Callable:
+
+-----------------
+
+   Mark a Module method as runnable, when the command `hub run` is used, the method will be called.
+
+-----------------
+
+* Args:
+    * func(Callable)
+        member function of Module.
+
+serving
+============
+
+.. code-block:: python
+
+    def paddlehub.module.module.serving(func: Callable) -> Callable:
+
+-----------------
+
+   Mark a Module method as serving method, when the command `hub serving` is used, the method will be called.
+
+-----------------
+
+* Args:
+    * func(Callable)
+        member function of Module.
\ No newline at end of file

docs/docs_ch/api/module_manager.rst

+=======================
+LocalModuleManager
+=======================
+
+.. code-block:: python
+
+    class paddlehub.module.manager.LocalModuleManager(home: str = MODULE_HOME):
+
+-----------------
+
+   LocalModuleManager is used to manage PaddleHub's local Module, which supports the installation, uninstallation, and search of HubModule. LocalModuleManager is a singleton object related to the path, in other words, when the LocalModuleManager object of the same home directory is generated multiple times, the same object is returned.
+
+-----------------
+
+* Args:
+    * home(str)
+       The directory where PaddleHub modules are stored, the default is ~/.paddlehub/modules
+
+**member functions**
+=====================
+
+install
+------------------
+
+   .. code-block:: python
+
+      def install(
+         name: str = None,
+         directory: str = None,
+         archive: str = None,
+         url: str = None,
+         version: str = None,
+         ignore_env_mismatch: bool = False) -> HubModule:
+
+   Install a HubModule from name or directory or archive file or url. When installing with the name parameter, if a module that meets the conditions (both name and version) already installed, the installation step will be skipped. When installing with other parameter, The locally installed modules will be uninstalled.
+
+   * Args:
+      * name(str | optional)
+         module name to install
+
+      * directory(str | optional)
+         directory containing  module code
+
+      * archive(str | optional) 
+         archive file containing  module code
+
+      * url(str|optional) 
+         url points to a archive file containing module code
+
+      * version(str | optional)
+         module version, use with name parameter
+            
+      * ignore_env_mismatch(str | optional)
+         Whether to ignore the environment mismatch when installing the Module.
+
+uninstall
+------------------
+
+   .. code-block:: python
+
+      def uninstall(name: str) -> bool:
+
+   Uninstall a HubModule from name.
+
+   * Args:
+      * name(str)
+         module name to uninstall
+
+   * Return:
+      True if uninstall successfully else False
+
+list
+------------------
+
+   .. code-block:: python
+
+      def list() -> List[HubModule]:
+
+   List all installed HubModule.
+
+   * Return:
+      List of installed HubModule.
+
+search
+------------------
+
+   .. code-block:: python
+
+      def search(name: str) -> HubModule:
+
+   search a HubModule with specified name.
+
+
+   * Args:
+      * name(str)
+         module name to search.
+
+   * Return:
+      None if not HubModule with specified name found else the specified HubModule.
\ No newline at end of file

docs/docs_ch/api/trainer.rst

+==============
+Trainer
+==============
+
+.. code-block:: python
+
+    class paddlehub.Trainer(
+        model: paddle.nn.Layer,
+        optimizer: paddle.optimizer.Optimizer,
+        use_gpu: bool = False,
+        use_vdl: bool = True,
+        checkpoint_dir: str = None,
+        compare_metrics: Callable = None):
+
+-----------------
+
+   Model trainer.
+
+-----------------
+
+* Args:
+    * model(paddle.nn.Layer)
+        Model to train or evaluate.
+
+    * optimizer(paddle.optimizer.Optimizer)
+        Optimizer for loss.
+        
+    * use_gpu(bool)
+        Whether to use gpu to run.
+
+    * use_vdl(bool)
+        Whether to use visualdl to record training data.
+
+    * checkpoint_dir(str)
+        Directory where the checkpoint is saved, and the trainer will restore the state and model parameters from the checkpoint.
+
+    * compare_metrics(Callable)
+        The method of comparing the model metrics. If not specified, the main metric return by `validation_step` will be used for comparison by default, the larger the value, the better the effect. This method will affect the saving of the best model. If the default behavior does not meet your requirements, please pass in a custom method.
+
+**member functions**
+=====================
+
+train
+------------------
+
+    .. code-block:: python
+
+        def train(
+            train_dataset: paddle.io.Dataset,
+            epochs: int = 1,
+            batch_size: int = 1,
+            num_workers: int = 0,
+            eval_dataset: paddle.io.Dataset = None,
+            log_interval: int = 10,
+            save_interval: int = 10,
+            collate_fn: Callable = None):
+
+    Train a model with specific config.
+
+    * Args:
+        * train_dataset(paddle.io.Dataset)
+            Dataset to train the model
+
+        * epochs(int)
+            Number of training loops, default is 1.
+
+        * batch_size(int)
+            Batch size of per step, default is 1.
+
+        * num_workers(int)
+            Number of subprocess to load data, default is 0.
+
+        * eval_dataset(paddle.io.Dataset)
+            The validation dataset, deafult is None. If set, the Trainer will execute evaluate function every `save_interval` epochs.
+        
+        * log_interval(int)
+            Log the train infomation every `log_interval` steps.
+
+        * save_interval(int)
+            Save the checkpoint every `save_interval` epochs.
+
+        * collate_fn(Callable)
+            function to generate mini-batch data by merging the sample list. None for only stack each fields of sample in axis 0(same as :attr::`np.stack(..., axis=0)`). Default None.
+
+evaluate
+----------------------
+
+    .. code-block:: python
+
+        def evaluate(
+            eval_dataset: paddle.io.Dataset,
+            batch_size: int = 1,
+            num_workers: int = 0,
+            collate_fn: Callable = None):
+
+    Run evaluation and returns metrics.
+
+    * Args:
+        * eval_dataset(paddle.io.Dataset)
+            The validation dataset
+        
+        * batch_size(int)
+            Batch size of per step, default is 1.
+
+        * num_workers(int)
+            Number of subprocess to load data, default is 0.
+        
+        * collate_fn(Callable)
+            function to generate mini-batch data by merging the sample list. None for only stack each fields of sample in axis 0(same as :attr::`np.stack(..., axis=0)`). Default None.
\ No newline at end of file

docs/docs_ch/api_index.rst

+==============
+API Reference
+==============
+
+
+Module
+==============
+.. toctree::
+   :maxdepth: 2
+   :titlesonly:
+
+   Module<api/module.rst>
+   LocalModuleManager<api/module_manager.rst>
+   Module Decorator<api/module_decorator.rst>
+
+Transfer Learning
+==================
+.. toctree::
+   :maxdepth: 2
+   :titlesonly:
+
+   Trainer<api/trainer.rst>
+   datasets<api/datasets_index.rst>
+
+Environment
+==============
+.. toctree::
+   :maxdepth: 2
+   :titlesonly:
+
+   env<api/env.rst>
\ No newline at end of file

docs/docs_ch/quick_experience/more_demos.md → docs/docs_ch/community/more_demos.md

-# PaddleHub更多体验Demos
-
-## PaddleHub官方Demo全集【Offical】
-
-官方Demo在AI Studio中均可在线运行，类似notebook的环境，只需通过浏览器即可访问，无需准备环境，非常方便开发者快速体验。
-并将持续更新，建议收藏。
-[https://aistudio.baidu.com/aistudio/personalcenter/thirdview/79927](https://aistudio.baidu.com/aistudio/personalcenter/thirdview/79927)
-
-## PaddleHub开发者趣味实践作品【ThirdParty】
+# 第三方趣味案例
 
 以下为前期PaddleHub课程或活动中，开发者们基于PaddleHub创作的趣味实践作品，均收录在AI Studio中，可在线运行，欢迎访问，希望对您有所启发。
 1. [布剪刀石头【人脸识别切换本地窗口】](https://aistudio.baidu.com/aistudio/projectdetail/507630)

docs/docs_ch/community_index.rst

+===================
+活跃社区
+===================
+..  toctree::
+    :maxdepth: 2
+    :titlesonly:
+
+    community/more_demos.md
+    
+    community/contribute_code.md
+
+------------
+
+..  toctree::
+    :maxdepth: 2
+    :titlesonly:
+
+    第一期AI创意赛 <https://aistudio.baidu.com/aistudio/competition/detail/34>
+
+    第二期AI创意赛 <https://aistudio.baidu.com/aistudio/competition/detail/35>
+
+    第一期AI创造营 <https://aistudio.baidu.com/aistudio/competition/detail/72>
+
+    第一期AI ChatBot创意赛 <https://aistudio.baidu.com/aistudio/competition/detail/79>
\ No newline at end of file

docs/docs_ch/conf.py

+# Configuration file for the Sphinx documentation builder.
+#
+# This file only contains a selection of the most common options. For a full
+# list see the documentation:
+# https://www.sphinx-doc.org/en/master/usage/configuration.html
+
+# -- Path setup --------------------------------------------------------------
+
+# If extensions (or modules to document with autodoc) are in another directory,
+# add these directories to sys.path here. If the directory is relative to the
+# documentation root, use os.path.abspath to make it absolute, like shown here.
+#
+import os
+import sys
+from recommonmark.transform import AutoStructify
+from recommonmark.parser import CommonMarkParser
+
+# sys.path.insert(0, os.path.abspath('../../paddlehub'))
+# import paddlehub as hub
+
+# -- Project information -----------------------------------------------------
+
+project = 'PaddleHub'
+copyright = '2021, PaddlePaddle'
+author = 'PaddlePaddle'
+
+# The full version, including alpha/beta/rc tags
+# release = 'v{}'.format(hub.__version__)
+release = 'v2.1.0'
+
+# -- General configuration ---------------------------------------------------
+
+# Add any Sphinx extension module names here, as strings. They can be
+# extensions coming with Sphinx (named 'sphinx.ext.*') or your custom
+# ones.
+extensions = [
+    'sphinx.ext.autodoc', 'sphinx.ext.napoleon', 'sphinx.ext.coverage', 'sphinx.ext.viewcode', 'sphinx.ext.mathjax',
+    'sphinx.ext.githubpages', 'sphinx.ext.napoleon', 'recommonmark', 'sphinx_markdown_tables'
+]
+
+# Add any paths that contain templates here, relative to this directory.
+templates_path = ['_templates']
+
+# List of patterns, relative to source directory, that match files and
+# directories to ignore when looking for source files.
+# This pattern also affects html_static_path and html_extra_path.
+exclude_patterns = ['_build', '.DS_Store']
+
+# -- Options for HTML output -------------------------------------------------
+
+# The theme to use for HTML and HTML Help pages.  See the documentation for
+# a list of builtin themes.
+#
+html_title = project
+html_theme = "sphinx_materialdesign_theme"
+
+# Add any paths that contain custom static files (such as style sheets) here,
+# relative to this directory. They are copied after the builtin static files,
+# so a file named "default.css" will overwrite the builtin "default.css".
+html_static_path = ['_static']
+
+# The suffix(es) of source filenames.
+# You can specify multiple suffix as a list of string:
+#
+source_parsers = {'.md': CommonMarkParser}
+
+source_suffix = ['.rst', '.md']

docs/docs_ch/contribution/contri_index.rst

-贡献代码
-==================
-
-PaddleHub非常欢迎贡献者，特别是代码和预训练模型贡献者。以下文档介绍了如何贡献代码和预训练模型。
-
-..  toctree::
-    :maxdepth: 1
-
-    贡献代码<contri_pr.md>
-    贡献预训练模型<contri_pretrained_model>
\ No newline at end of file

docs/docs_ch/contribution/contri_pretrained_model.md

-# 如何编写一个PaddleHub Module并发布上线
-
-## 一、准备工作
-
-### 模型基本信息
-
-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
-```
-
-
-
-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
-
-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
-```
-
-<br/>
-
-### 策略
-
-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/>
-
-## 二、创建Module
-
-### 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module.py、processor.py、vocab.list，其中
-
-|文件名|用途|
-|-|-|
-|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
-├── 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:
-    ...
-```
-#### step 3_3. 执行必要的初始化
-```python
-def __init__(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](../../../modules/demo/senta_test/module.py)
-
-* [processor.py](../../../modules/demo/senta_test/processor.py)
-
-<br/>
-
-## 三、安装并测试Module
-
-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"])
-```
-
-### 调用方法4
-将Module安装到本机中，再通过hub run运行
-
-```shell
-➜  hub install senta_test
-➜  hub run senta_test --input_text "这部电影太差劲了"
-```
-
-## 四、发布Module
-
-在完成Module的开发和测试后，如果想要将模型分享给其他人使用，可以通过 **上传Module到PaddleHub官网** 的方式发布模型：
-
-https://www.paddlepaddle.org.cn/hub
-
-我们会在尽可能短的时间内完成Module的审核并给出反馈，通过审核并上线后，Module将展示在PaddleHub官网的`开发者贡献模型`中，用户可以像加载其他官方Module一样加载该Module。

docs/docs_ch/faq.md

@@ -36,22 +36,9 @@ paddlehub.server_check()
 # 如果无法连接远端PaddleHub-Server，则显示Request Hub-Server unsuccessfully.
 ```
 
-## PaddleHub Module是否支持多线程，如何加快Module训练或预测的速度。
+## PaddleHub Module是否支持多线程加速预测？
 
-PaddleHub Module不支持多线程，可以通过使用GPU、加大batch_size等措施加速训练或者预测。
-以下示例为加速LAC Module分词的方法：
-
-```python
-results = lac.lexical_analysis(data=inputs, use_gpu=True, batch_size=10)
-```
-
-## 如何获取输入句子经过ERNIE编码后的句子表示Embedding？
-
-具体参考[BERT Services](./tutorial/bert_service.md)使用说明
-
-## 在虚拟机Python2环境中使用hub命令报错“Illegal instruction”
-
-请先排除numpy的版本问题：使用pip show numpy检查numpy的版本，如果是1.16.0~1.16.3会出现[numpy错误](https://github.com/numpy/numpy/issues/9532)，请pip uinstall numpy后再用pip install numpy<1.17.0安装新版本的numpy。
+由于PaddlePaddle自身的限制，PaddleHub无法通过多线程来加速模型预测。
 
 ## 如何修改PaddleHub的修改预训练模型存放路径？
 

docs/docs_ch/finetune/audio_classification.md

+# 声音分类
+
+本示例展示如何使用PaddleHub Fine-tune API以及CNN14等预训练模型完成声音分类和Tagging的任务。
+
+CNN14等预训练模型的详情，请参考论文[PANNs: Large-Scale Pretrained Audio Neural Networks for Audio Pattern Recognition](https://arxiv.org/pdf/1912.10211.pdf)和代码[audioset_tagging_cnn](https://github.com/qiuqiangkong/audioset_tagging_cnn)。
+
+
+## 如何开始Fine-tune
+
+我们以环境声音分类公开数据集[ESC50](https://github.com/karolpiczak/ESC-50)为示例数据集，可以运行下面的命令，在训练集（train.npz）上进行模型训练，并在开发集（dev.npz）验证。通过如下命令，即可启动训练。
+
+```python
+# 设置使用的GPU卡号
+export CUDA_VISIBLE_DEVICES=0
+python train.py
+```
+
+
+## 代码步骤
+
+使用PaddleHub Fine-tune API进行Fine-tune可以分为4个步骤。
+
+### Step1: 选择模型
+
+```python
+import paddle
+import paddlehub as hub
+from paddlehub.datasets import ESC50
+
+model = hub.Module(name='panns_cnn14', version='1.0.0', task='sound-cls', num_class=ESC50.num_class)
+```
+
+其中，参数：
+- `name`: 模型名称，可以选择`panns_cnn14`、`panns_cnn10` 和`panns_cnn6`，具体的模型参数信息可见下表。
+- `version`: module版本号
+- `task`：模型的执行任务。`sound-cls`表示声音分类任务；`None`表示Audio Tagging任务。
+- `num_classes`：表示当前声音分类任务的类别数，根据具体使用的数据集确定。
+
+目前可选用的预训练模型：
+模型名      | PaddleHub Module
+-----------| :------:
+CNN14      | `hub.Module(name='panns_cnn14')`
+CNN10      | `hub.Module(name='panns_cnn10')`
+CNN6       | `hub.Module(name='panns_cnn6')`
+
+### Step2: 加载数据集
+
+```python
+train_dataset = ESC50(mode='train')
+dev_dataset = ESC50(mode='dev')
+```
+
+### Step3: 选择优化策略和运行配置
+
+```python
+optimizer = paddle.optimizer.AdamW(learning_rate=5e-5, parameters=model.parameters())
+trainer = hub.Trainer(model, optimizer, checkpoint_dir='./', use_gpu=True)
+```
+
+#### 优化策略
+
+Paddle2.0提供了多种优化器选择，如`SGD`, `AdamW`, `Adamax`等，详细参见[策略](https://www.paddlepaddle.org.cn/documentation/docs/zh/api/paddle/optimizer/Overview_cn.html)。
+
+其中`AdamW`:
+
+- `learning_rate`: 全局学习率。默认为1e-3；
+- `parameters`: 待优化模型参数。
+
+其余可配置参数请参考[AdamW](https://www.paddlepaddle.org.cn/documentation/docs/zh/api/paddle/optimizer/adamw/AdamW_cn.html#cn-api-paddle-optimizer-adamw)。
+
+#### 运行配置
+
+`Trainer` 主要控制Fine-tune的训练，包含以下可控制的参数:
+
+- `model`: 被优化模型；
+- `optimizer`: 优化器选择；
+- `use_vdl`: 是否使用vdl可视化训练过程；
+- `checkpoint_dir`: 保存模型参数的地址；
+- `compare_metrics`: 保存最优模型的衡量指标；
+
+
+### Step4: 执行训练和模型评估
+
+```python
+trainer.train(
+    train_dataset,
+    epochs=50,
+    batch_size=16,
+    eval_dataset=dev_dataset,
+    save_interval=10,
+)
+trainer.evaluate(dev_dataset, batch_size=16)
+```
+
+`trainer.train`执行模型的训练，其参数可以控制具体的训练过程，主要的参数包含：
+
+- `train_dataset`: 训练时所用的数据集；
+- `epochs`: 训练轮数；
+- `batch_size`: 训练时每一步用到的样本数目，如果使用GPU，请根据实际情况调整batch_size；
+- `num_workers`: works的数量，默认为0；
+- `eval_dataset`: 验证集；
+- `log_interval`: 打印日志的间隔， 单位为执行批训练的次数。
+- `save_interval`: 保存模型的间隔频次，单位为执行训练的轮数。
+
+`trainer.evaluate`执行模型的评估，主要的参数包含：
+
+- `eval_dataset`: 模型评估时所用的数据集；
+- `batch_size`: 模型评估时每一步用到的样本数目，如果使用GPU，请根据实际情况调整batch_size
+
+
+## 模型预测
+
+当完成Fine-tune后，Fine-tune过程在验证集上表现最优的模型会被保存在`${CHECKPOINT_DIR}/best_model`目录下，其中`${CHECKPOINT_DIR}`目录为Fine-tune时所选择的保存checkpoint的目录。
+
+以下代码将本地的音频文件`./cat.wav`作为预测数据，使用训好的模型对它进行分类，输出结果。
+
+```python
+import os
+
+import librosa
+
+import paddlehub as hub
+from paddlehub.datasets import ESC50
+
+wav = './cat.wav'  # 存储在本地的需要预测的wav文件
+sr = 44100  # 音频文件的采样率
+checkpoint = './best_model/model.pdparams'  # 模型checkpoint
+
+label_map = {idx: label for idx, label in enumerate(ESC50.label_list)}
+
+model = hub.Module(name='panns_cnn14',
+                    version='1.0.0',
+                    task='sound-cls',
+                    num_class=ESC50.num_class,
+                    label_map=label_map,
+                    load_checkpoint=checkpoint)
+
+data = [librosa.load(wav, sr=sr)[0]]
+result = model.predict(data, sample_rate=sr, batch_size=1, feat_type='mel', use_gpu=True)
+
+print(result[0])  # result[0]包含音频文件属于各类别的概率值
+```
+
+
+## Audio Tagging
+
+当前使用的模型是基于[Audioset数据集](https://research.google.com/audioset/)的预训练模型，除了以上的针对特定声音分类数据集的finetune任务，模型还支持基于Audioset 527个标签的Tagging功能。
+
+以下代码将本地的音频文件`./cat.wav`作为预测数据，使用预训练模型对它进行打分，输出top 10的标签和对应的得分。
+
+```python
+import os
+
+import librosa
+import numpy as np
+
+import paddlehub as hub
+from paddlehub.env import MODULE_HOME
+
+
+wav = './cat.wav'  # 存储在本地的需要预测的wav文件
+sr = 44100  # 音频文件的采样率
+topk = 10  # 展示音频得分前10的标签和分数
+
+# 读取audioset数据集的label文件
+label_file = os.path.join(MODULE_HOME, 'panns_cnn14', 'audioset_labels.txt')
+label_map = {}
+with open(label_file, 'r') as f:
+    for i, l in enumerate(f.readlines()):
+        label_map[i] = l.strip()
+
+model = hub.Module(name='panns_cnn14', version='1.0.0', task=None, label_map=label_map)
+
+data = [librosa.load(wav, sr=sr)[0]]
+result = model.predict(data, sample_rate=sr, batch_size=1, feat_type='mel', use_gpu=True)
+
+# 打印topk的类别和对应得分
+msg = ''
+for label, score in list(result[0].items())[:topk]:
+    msg += f'{label}: {score}\n'
+print(msg)
+```
+
+### 依赖
+
+paddlepaddle >= 2.0.0
+
+paddlehub >= 2.1.0

docs/docs_ch/finetune/image_classification.md

+# 图像分类
+
+本示例将展示如何使用PaddleHub对预训练模型进行finetune并完成预测任务。
+
+## 命令行预测
+
+```shell
+$ hub run resnet50_vd_imagenet_ssld --input_path "/PATH/TO/IMAGE" --top_k 5
+```
+
+## 如何开始Fine-tune
+
+在完成安装PaddlePaddle与PaddleHub后，通过执行`python train.py`即可开始使用resnet50_vd_imagenet_ssld对[Flowers](../../docs/reference/datasets.md#class-hubdatasetsflowers)等数据集进行Fine-tune。
+
+## 代码步骤
+
+使用PaddleHub Fine-tune API进行Fine-tune可以分为4个步骤。
+
+### Step1: 定义数据预处理方式
+```python
+import paddlehub.vision.transforms as T
+
+transforms = T.Compose([T.Resize((256, 256)),
+                        T.CenterCrop(224),
+                        T.Normalize(mean=[0.485, 0.456, 0.406], std = [0.229, 0.224, 0.225])],
+                        to_rgb=True)
+```
+
+`transforms` 数据增强模块定义了丰富的数据预处理方式，用户可按照需求替换自己需要的数据预处理方式。
+
+### Step2: 下载数据集并使用
+```python
+from paddlehub.datasets import Flowers
+
+flowers = Flowers(transforms)
+
+flowers_validate = Flowers(transforms, mode='val')
+```
+
+* `transforms`: 数据预处理方式。
+* `mode`: 选择数据模式，可选项有 `train`, `test`, `val`， 默认为`train`。
+
+数据集的准备代码可以参考 [flowers.py](../../paddlehub/datasets/flowers.py)。`hub.datasets.Flowers()` 会自动从网络下载数据集并解压到用户目录下`$HOME/.paddlehub/dataset`目录。
+
+
+### Step3: 加载预训练模型
+
+```python
+module = hub.Module(name="resnet50_vd_imagenet_ssld", label_list=["roses", "tulips", "daisy", "sunflowers", "dandelion"])
+```
+* `name`: 选择预训练模型的名字。
+* `label_list`: 设置输出分类类别，默认为Imagenet2012类别。
+
+PaddleHub提供许多图像分类预训练模型，如xception、mobilenet、efficientnet等，详细信息参见[图像分类模型](https://www.paddlepaddle.org.cn/hub?filter=en_category&value=ImageClassification)。
+
+如果想尝试efficientnet模型，只需要更换Module中的`name`参数即可.
+```python
+# 更换name参数即可无缝切换efficientnet模型, 代码示例如下
+module = hub.Module(name="efficientnetb7_imagenet")
+```
+**NOTE:**目前部分模型还没有完全升级到2.0版本，敬请期待。
+
+### Step4: 选择优化策略和运行配置
+
+```python
+optimizer = paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters())
+trainer = Trainer(model, optimizer, checkpoint_dir='img_classification_ckpt')
+
+trainer.train(flowers, epochs=100, batch_size=32, eval_dataset=flowers_validate, save_interval=1)
+```
+
+#### 优化策略
+
+Paddle2.0-rc提供了多种优化器选择，如`SGD`, `Adam`, `Adamax`等，详细参见[策略](https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc/api/paddle/optimizer/optimizer/Optimizer_cn.html)。
+
+其中`Adam`:
+
+* `learning_rate`: 全局学习率。默认为1e-3；
+* `parameters`: 待优化模型参数。
+
+#### 运行配置
+
+`Trainer` 主要控制Fine-tune的训练，包含以下可控制的参数:
+
+* `model`: 被优化模型；
+* `optimizer`: 优化器选择；
+* `use_vdl`: 是否使用vdl可视化训练过程；
+* `checkpoint_dir`: 保存模型参数的地址；
+* `compare_metrics`: 保存最优模型的衡量指标；
+
+`trainer.train` 主要控制具体的训练过程，包含以下可控制的参数：
+
+* `train_dataset`: 训练时所用的数据集；
+* `epochs`: 训练轮数；
+* `batch_size`: 训练的批大小，如果使用GPU，请根据实际情况调整batch_size；
+* `num_workers`: works的数量，默认为0；
+* `eval_dataset`: 验证集；
+* `log_interval`: 打印日志的间隔， 单位为执行批训练的次数。
+* `save_interval`: 保存模型的间隔频次，单位为执行训练的轮数。
+
+## 模型预测
+
+当完成Fine-tune后，Fine-tune过程在验证集上表现最优的模型会被保存在`${CHECKPOINT_DIR}/best_model`目录下，其中`${CHECKPOINT_DIR}`目录为Fine-tune时所选择的保存checkpoint的目录。
+
+我们使用该模型来进行预测。predict.py脚本如下：
+
+```python
+import paddle
+import paddlehub as hub
+
+if __name__ == '__main__':
+
+    model = hub.Module(name='resnet50_vd_imagenet_ssld', label_list=["roses", "tulips", "daisy", "sunflowers", "dandelion"], load_checkpoint='/PATH/TO/CHECKPOINT')
+    result = model.predict(['flower.jpg'])
+```
+
+参数配置正确后，请执行脚本`python predict.py`， 加载模型具体可参见[加载](https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc/api/paddle/framework/io/load_cn.html#load)。
+
+**NOTE:** 进行预测时，所选择的module，checkpoint_dir，dataset必须和Fine-tune所用的一样。
+
+## 服务部署
+
+PaddleHub Serving可以部署一个在线分类任务服务。
+
+### Step1: 启动PaddleHub Serving
+
+运行启动命令：
+
+```shell
+$ hub serving start -m resnet50_vd_imagenet_ssld
+```
+
+这样就完成了一个分类任务服务化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。
+
+### Step2: 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
+
+import numpy as np
+
+
+def cv2_to_base64(image):
+    data = cv2.imencode('.jpg', image)[1]
+    return base64.b64encode(data.tostring()).decode('utf8')
+
+def base64_to_cv2(b64str):
+    data = base64.b64decode(b64str.encode('utf8'))
+    data = np.fromstring(data, np.uint8)
+    data = cv2.imdecode(data, cv2.IMREAD_COLOR)
+    return data
+
+# 发送HTTP请求
+org_im = cv2.imread('/PATH/TO/IMAGE')
+
+data = {'images':[cv2_to_base64(org_im)], 'top_k':2}
+headers = {"Content-type": "application/json"}
+url = "http://127.0.0.1:8866/predict/resnet50_vd_imagenet_ssld"
+r = requests.post(url=url, headers=headers, data=json.dumps(data))
+data =r.json()["results"]['data']
+```
+
+### 查看代码
+
+https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/image_classification
+
+### 依赖
+
+paddlepaddle >= 2.0.0rc
+
+paddlehub >= 2.0.0

docs/docs_ch/finetune/image_colorization.md

+# 图像着色
+
+本示例将展示如何使用PaddleHub对预训练模型进行finetune并完成预测任务。
+
+## 命令行预测
+
+```
+$ hub run user_guided_colorization --input_path "/PATH/TO/IMAGE"
+```
+
+## 如何开始Fine-tune
+
+在完成安装PaddlePaddle与PaddleHub后，通过执行`python train.py`即可开始使用user_guided_colorization模型对[Canvas](../../docs/reference/datasets.md#class-hubdatasetsCanvas)等数据集进行Fine-tune。
+
+## 代码步骤
+
+使用PaddleHub Fine-tune API进行Fine-tune可以分为4个步骤。
+
+### Step1: 定义数据预处理方式
+```python
+import paddlehub.vision.transforms as T
+
+transform = T.Compose([T.Resize((256, 256), interpolation='NEAREST'),
+                       T.RandomPaddingCrop(crop_size=176),
+                       T.RGB2LAB()], to_rgb=True)
+```
+
+`transforms`数据增强模块定义了丰富的数据预处理方式，用户可按照需求替换自己需要的数据预处理方式。
+
+**NOTE:** 要将`T.Compose`中`to_rgb`设定为True.
+
+### Step2: 下载数据集并使用
+```python
+from paddlehub.datasets import Canvas
+
+color_set = Canvas(transform=transform, mode='train')
+```
+* `transform`: 数据预处理方式。
+* `mode`: 选择数据模式，可选项有 `train`, `test` 默认为`train`。
+
+数据集的准备代码可以参考 [canvas.py](../../paddlehub/datasets/canvas.py)。`hub.datasets.Canvas()` 会自动从网络下载数据集并解压到用户目录下`$HOME/.paddlehub/dataset`目录。
+
+### Step3: 加载预训练模型
+
+```python
+model = hub.Module(name='user_guided_colorization', load_checkpoint=None)
+model.set_config(classification=True, prob=1)
+```
+* `name`:加载模型的名字。
+* `load_checkpoint`: 是否加载自己训练的模型，若为None，则加载提供的模型默认参数。
+* `classification`: 着色模型分两部分训练，开始阶段`classification`设置为True, 用于浅层网络训练。训练后期将`classification`设置为False, 用于训练网络的输出层。
+* `prob`: 每张输入图不加一个先验彩色块的概率，默认为1，即不加入先验彩色块。例如，当`prob`设定为0.9时，一张图上有两个先验彩色块的概率为(1-0.9)*(1-0.9)*0.9=0.009.
+
+### Step4: 选择优化策略和运行配置
+
+```python
+optimizer = paddle.optimizer.Adam(learning_rate=0.0001, parameters=model.parameters())
+trainer = Trainer(model, optimizer, checkpoint_dir='img_colorization_ckpt_cls_1')
+trainer.train(color_set, epochs=201, batch_size=25, eval_dataset=color_set, log_interval=10, save_interval=10)
+```
+
+#### 优化策略
+
+Paddle2.0-rc提供了多种优化器选择，如`SGD`, `Adam`, `Adamax`等，详细参见[策略](https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc/api/paddle/optimizer/optimizer/Optimizer_cn.html)。
+
+其中`Adam`:
+
+* `learning_rate`: 全局学习率。默认为1e-4；
+* `parameters`: 待优化模型参数。
+
+#### 运行配置
+`Trainer` 主要控制Fine-tune的训练，包含以下可控制的参数:
+
+* `model`: 被优化模型；
+* `optimizer`: 优化器选择；
+* `use_vdl`: 是否使用vdl可视化训练过程；
+* `checkpoint_dir`: 保存模型参数的地址；
+* `compare_metrics`: 保存最优模型的衡量指标；
+
+`trainer.train` 主要控制具体的训练过程，包含以下可控制的参数：
+
+* `train_dataset`: 训练时所用的数据集；
+* `epochs`: 训练轮数；
+* `batch_size`: 训练的批大小，如果使用GPU，请根据实际情况调整batch_size；
+* `num_workers`: works的数量，默认为0；
+* `eval_dataset`: 验证过程所用的数据集；
+* `log_interval`: 打印日志的间隔， 单位为执行批训练的次数。
+* `save_interval`: 保存模型的间隔频次，单位为执行训练的轮数。
+
+## 模型预测
+
+当完成Fine-tune后，Fine-tune过程在验证集上表现最优的模型会被保存在`${CHECKPOINT_DIR}/best_model`目录下，其中`${CHECKPOINT_DIR}`目录为Fine-tune时所选择的保存checkpoint的目录。
+
+我们使用该模型来进行预测。predict.py脚本如下：
+
+```python
+import paddle
+import paddlehub as hub
+
+if __name__ == '__main__':
+    model = hub.Module(name='user_guided_colorization', load_checkpoint='/PATH/TO/CHECKPOINT')
+    model.set_config(prob=0.1)
+    result = model.predict(images=['house.png'])
+```
+
+参数配置正确后，请执行脚本`python predict.py`， 加载模型具体可参见[加载](https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc/api/paddle/framework/io/load_cn.html#load)。
+
+**NOTE:** 进行预测时，所选择的module，checkpoint_dir，dataset必须和Fine-tune所用的一样。若想获取油画风着色效果，请下载参数文件[油画着色](https://paddlehub.bj.bcebos.com/dygraph/models/canvas_rc.pdparams)
+
+**Args**
+* `images`:原始图像路径或者BGR格式图片；
+* `visualization`: 是否可视化，默认为True；
+* `save_path`: 保存结果的路径，默认为'result'。
+
+## 服务部署
+
+PaddleHub Serving可以部署一个在线着色任务服务。
+
+### Step1: 启动PaddleHub Serving
+
+运行启动命令：
+
+```shell
+$ hub serving start -m user_guided_colorization
+```
+
+这样就完成了一个着色任务服务化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。
+
+### Step2: 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
+
+import numpy as np
+
+
+def cv2_to_base64(image):
+    data = cv2.imencode('.jpg', image)[1]
+    return base64.b64encode(data.tostring()).decode('utf8')
+
+def base64_to_cv2(b64str):
+    data = base64.b64decode(b64str.encode('utf8'))
+    data = np.fromstring(data, np.uint8)
+    data = cv2.imdecode(data, cv2.IMREAD_COLOR)
+    return data
+
+# 发送HTTP请求
+org_im = cv2.imread('/PATH/TO/IMAGE')
+data = {'images':[cv2_to_base64(org_im)]}
+headers = {"Content-type": "application/json"}
+url = "http://127.0.0.1:8866/predict/user_guided_colorization"
+r = requests.post(url=url, headers=headers, data=json.dumps(data))
+data = base64_to_cv2(r.json()["results"]['data'][0]['fake_reg'])
+cv2.imwrite('color.png', data)
+
+```
+
+### 查看代码
+
+https://github.com/richzhang/colorization-pytorch
+
+### 依赖
+
+paddlepaddle >= 2.0.0rc
+
+paddlehub >= 2.0.0

docs/docs_ch/finetune/semantic_segmentation.md

+# 图像分割
+
+本示例将展示如何使用PaddleHub对预训练模型进行finetune并完成预测任务。
+
+
+## 如何开始Fine-tune
+
+在完成安装PaddlePaddle与PaddleHub后，通过执行`python train.py`即可开始使用ocrnet_hrnetw18_voc模型对OpticDiscSeg等数据集进行Fine-tune。
+
+## 代码步骤
+
+使用PaddleHub Fine-tune API进行Fine-tune可以分为4个步骤。
+
+### Step1: 定义数据预处理方式
+```python
+from paddlehub.vision.segmentation_transforms import Compose, Resize, Normalize
+
+transform = Compose([Resize(target_size=(512, 512)), Normalize()])
+```
+
+`segmentation_transforms` 数据增强模块定义了丰富的针对图像分割数据的预处理方式，用户可按照需求替换自己需要的数据预处理方式。
+
+### Step2: 下载数据集并使用
+```python
+from paddlehub.datasets import OpticDiscSeg
+
+train_reader = OpticDiscSeg(transform， mode='train')
+
+```
+* `transform`: 数据预处理方式。
+* `mode`: 选择数据模式，可选项有 `train`, `test`, `val`, 默认为`train`。
+
+数据集的准备代码可以参考 [opticdiscseg.py](../../paddlehub/datasets/opticdiscseg.py)。`hub.datasets.OpticDiscSeg()`会自动从网络下载数据集并解压到用户目录下`$HOME/.paddlehub/dataset`目录。
+
+### Step3: 加载预训练模型
+
+```python
+model = hub.Module(name='ocrnet_hrnetw18_voc', num_classes=2, pretrained=None)
+```
+* `name`: 选择预训练模型的名字。
+* `num_classes`: 分割模型的类别数目。
+* `pretrained`: 是否加载自己训练的模型，若为None，则加载提供的模型默认参数。
+
+### Step4: 选择优化策略和运行配置
+
+```python
+scheduler = paddle.optimizer.lr.PolynomialDecay(learning_rate=0.01, decay_steps=1000, power=0.9,  end_lr=0.0001)
+optimizer = paddle.optimizer.Adam(learning_rate=scheduler, parameters=model.parameters())
+trainer = Trainer(model, optimizer, checkpoint_dir='test_ckpt_img_ocr', use_gpu=True)
+```
+
+#### 优化策略
+
+
+其中`Adam`:
+
+* `learning_rate`: 全局学习率。
+*  `parameters`: 待优化模型参数。
+
+#### 运行配置
+`Trainer` 主要控制Fine-tune的训练，包含以下可控制的参数:
+
+* `model`: 被优化模型；
+* `optimizer`: 优化器选择；
+* `use_gpu`: 是否使用gpu，默认为False;
+* `use_vdl`: 是否使用vdl可视化训练过程；
+* `checkpoint_dir`: 保存模型参数的地址；
+* `compare_metrics`: 保存最优模型的衡量指标；
+
+`trainer.train` 主要控制具体的训练过程，包含以下可控制的参数：
+
+* `train_dataset`: 训练时所用的数据集；
+* `epochs`: 训练轮数；
+* `batch_size`: 训练的批大小，如果使用GPU，请根据实际情况调整batch_size；
+* `num_workers`: works的数量，默认为0；
+* `eval_dataset`: 验证集；
+* `log_interval`: 打印日志的间隔， 单位为执行批训练的次数。
+* `save_interval`: 保存模型的间隔频次，单位为执行训练的轮数。
+
+## 模型预测
+
+当完成Fine-tune后，Fine-tune过程在验证集上表现最优的模型会被保存在`${CHECKPOINT_DIR}/best_model`目录下，其中`${CHECKPOINT_DIR}`目录为Fine-tune时所选择的保存checkpoint的目录。
+
+我们使用该模型来进行预测。predict.py脚本如下：
+
+```python
+import paddle
+import cv2
+import paddlehub as hub
+
+if __name__ == '__main__':
+    model = hub.Module(name='ocrnet_hrnetw18_voc', pretrained='/PATH/TO/CHECKPOINT')
+    img = cv2.imread("/PATH/TO/IMAGE")
+    model.predict(images=[img], visualization=True)
+```
+
+参数配置正确后，请执行脚本`python predict.py`。
+**Args**
+* `images`:原始图像路径或BGR格式图片；
+* `visualization`: 是否可视化，默认为True；
+* `save_path`: 保存结果的路径，默认保存路径为'seg_result'。
+
+**NOTE:** 进行预测时，所选择的module，checkpoint_dir，dataset必须和Fine-tune所用的一样。
+
+## 服务部署
+
+PaddleHub Serving可以部署一个在线图像分割服务。
+
+### Step1: 启动PaddleHub Serving
+
+运行启动命令：
+
+```shell
+$ hub serving start -m ocrnet_hrnetw18_voc
+```
+
+这样就完成了一个图像分割服务化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。
+
+### Step2: 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
+
+import numpy as np
+
+
+def cv2_to_base64(image):
+    data = cv2.imencode('.jpg', image)[1]
+    return base64.b64encode(data.tostring()).decode('utf8')
+
+def base64_to_cv2(b64str):
+    data = base64.b64decode(b64str.encode('utf8'))
+    data = np.fromstring(data, np.uint8)
+    data = cv2.imdecode(data, cv2.IMREAD_COLOR)
+    return data
+
+# 发送HTTP请求
+org_im = cv2.imread('/PATH/TO/IMAGE')
+data = {'images':[cv2_to_base64(org_im)]}
+headers = {"Content-type": "application/json"}
+url = "http://127.0.0.1:8866/predict/ocrnet_hrnetw18_voc"
+r = requests.post(url=url, headers=headers, data=json.dumps(data))
+mask = base64_to_cv2(r.json()["results"][0])
+```
+
+### 查看代码
+
+https://github.com/PaddlePaddle/PaddleSeg
+
+### 依赖
+
+paddlepaddle >= 2.0.0
+
+paddlehub >= 2.0.0

docs/docs_ch/finetune/sequence_labeling.md

+# 序列标注
+
+在2017年之前，工业界和学术界对NLP文本处理依赖于序列模型[Recurrent Neural Network (RNN)](https://baike.baidu.com/item/%E5%BE%AA%E7%8E%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/23199490?fromtitle=RNN&fromid=5707183&fr=aladdin).
+
+![](http://colah.github.io/posts/2015-09-NN-Types-FP/img/RNN-general.png)
+
+近年来随着深度学习的发展，模型参数数量飞速增长，为了训练这些参数，需要更大的数据集来避免过拟合。然而，对于大部分NLP任务来说，构建大规模的标注数据集成本过高，非常困难，特别是对于句法和语义相关的任务。相比之下，大规模的未标注语料库的构建则相对容易。最近的研究表明，基于大规模未标注语料库的预训练模型（Pretrained Models, PTM) 能够习得通用的语言表示，将预训练模型Fine-tune到下游任务，能够获得出色的表现。另外，预训练模型能够避免从零开始训练模型。
+
+![](https://ai-studio-static-online.cdn.bcebos.com/327f44ff3ed24493adca5ddc4dc24bf61eebe67c84a6492f872406f464fde91e)
+
+
+本示例将展示如何使用PaddleHub Transformer模型（如 ERNIE、BERT、RoBERTa等模型）Module 以动态图方式fine-tune并完成预测任务。
+
+## 如何开始Fine-tune
+
+
+我们以微软亚洲研究院发布的中文实体识别数据集MSRA-NER为示例数据集，可以运行下面的命令，在训练集（train.tsv）上进行模型训练，并在开发集（dev.tsv）验证。通过如下命令，即可启动训练。
+
+```shell
+# 设置使用的GPU卡号
+export CUDA_VISIBLE_DEVICES=0
+python train.py
+```
+
+
+## 代码步骤
+
+使用PaddleHub Fine-tune API进行Fine-tune可以分为4个步骤。
+
+### Step1: 选择模型
+
+在命名实体识别的任务中，因不同的数据集标识实体的标签不同，评测的方式也有所差异。因此，在初始化模型的之前，需要先确定实际标签的形式，下方的`label_list`则是MSRA-NER数据集中使用的标签类别。  
+如果用户使用的实体识别的数据集的标签方式与MSRA-NER不同，则需要自行根据数据集确定。
+```python
+label_list = hub.datasets.MSRA_NER.label_list
+label_map = {
+    idx: label for idx, label in enumerate(label_list)
+}
+```
+
+接下来创建任务所使用的`model`
+```python
+import paddlehub as hub
+
+model = hub.Module(name='ernie_tiny', version='2.0.1', task='token-cls', label_map=label_map)
+```
+
+其中，参数：
+
+* `name`：模型名称，可以选择`ernie`，`ernie_tiny`，`bert-base-cased`， `bert-base-chinese`, `roberta-wwm-ext`，`roberta-wwm-ext-large`等。
+* `version`：module版本号
+* `task`：fine-tune任务。此处为`token-cls`，表示序列标注任务。
+* `label_map`：数据集中的标签信息，实体识别任务中需要根据不同标签种类对模型性能进行评价。
+
+PaddleHub还提供BERT等模型可供选择, 当前支持序列标注任务的模型对应的加载示例如下：
+
+模型名                           | PaddleHub Module
+---------------------------------- | :------:
+ERNIE, Chinese                     | `hub.Module(name='ernie')`
+ERNIE tiny, Chinese                | `hub.Module(name='ernie_tiny')`
+ERNIE 2.0 Base, English            | `hub.Module(name='ernie_v2_eng_base')`
+ERNIE 2.0 Large, English           | `hub.Module(name='ernie_v2_eng_large')`
+BERT-Base, English Cased           | `hub.Module(name='bert-base-cased')`
+BERT-Base, English Uncased         | `hub.Module(name='bert-base-uncased')`
+BERT-Large, English Cased          | `hub.Module(name='bert-large-cased')`
+BERT-Large, English Uncased        | `hub.Module(name='bert-large-uncased')`
+BERT-Base, Multilingual Cased      | `hub.Module(nane='bert-base-multilingual-cased')`
+BERT-Base, Multilingual Uncased    | `hub.Module(nane='bert-base-multilingual-uncased')`
+BERT-Base, Chinese                 | `hub.Module(name='bert-base-chinese')`
+BERT-wwm, Chinese                  | `hub.Module(name='chinese-bert-wwm')`
+BERT-wwm-ext, Chinese              | `hub.Module(name='chinese-bert-wwm-ext')`
+RoBERTa-wwm-ext, Chinese           | `hub.Module(name='roberta-wwm-ext')`
+RoBERTa-wwm-ext-large, Chinese     | `hub.Module(name='roberta-wwm-ext-large')`
+RBT3, Chinese                      | `hub.Module(name='rbt3')`
+RBTL3, Chinese                     | `hub.Module(name='rbtl3')`
+ELECTRA-Small, English             | `hub.Module(name='electra-small')`
+ELECTRA-Base, English              | `hub.Module(name='electra-base')`
+ELECTRA-Large, English             | `hub.Module(name='electra-large')`
+ELECTRA-Base, Chinese              | `hub.Module(name='chinese-electra-base')`
+ELECTRA-Small, Chinese             | `hub.Module(name='chinese-electra-small')`
+
+通过以上的一行代码，`model`初始化为一个适用于序列标注任务的模型，为ERNIE Tiny的预训练模型后拼接上一个输出token共享的全连接网络（Full Connected）。  
+![](https://ss1.bdstatic.com/70cFuXSh_Q1YnxGkpoWK1HF6hhy/it/u=224484727,3049769188&fm=15&gp=0.jpg)
+
+以上图片来自于：https://arxiv.org/pdf/1810.04805.pdf
+
+### Step2: 下载并加载数据集
+
+```python
+train_dataset = hub.datasets.MSRA_NER(
+    tokenizer=model.get_tokenizer(), max_seq_len=128, mode='train')
+dev_dataset = hub.datasets.MSRA_NER(
+    tokenizer=model.get_tokenizer(), max_seq_len=128, mode='dev')
+```
+
+* `tokenizer`：表示该module所需用到的tokenizer，其将对输入文本完成切词，并转化成module运行所需模型输入格式。
+* `mode`：选择数据模式，可选项有 `train`, `test`, `val`， 默认为`train`。
+* `max_seq_len`：ERNIE/BERT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。
+
+预训练模型ERNIE对中文数据的处理是以字为单位，tokenizer作用为将原始输入文本转化成模型model可以接受的输入数据形式。 PaddleHub 2.0中的各种预训练模型已经内置了相应的tokenizer，可以通过`model.get_tokenizer`方法获取。
+
+![](https://bj.bcebos.com/paddlehub/paddlehub-img/ernie_network_1.png)
+![](https://bj.bcebos.com/paddlehub/paddlehub-img/ernie_network_2.png)
+
+### Step3:  选择优化策略和运行配置
+
+```python
+optimizer = paddle.optimizer.AdamW(learning_rate=5e-5, parameters=model.parameters())
+trainer = hub.Trainer(model, optimizer, checkpoint_dir='test_ernie_token_cls', use_gpu=False)
+
+trainer.train(train_dataset, epochs=3, batch_size=32, eval_dataset=dev_dataset)
+
+# 在测试集上评估当前训练模型
+trainer.evaluate(test_dataset, batch_size=32)
+```
+
+#### 优化策略
+
+Paddle2.0-rc提供了多种优化器选择，如`SGD`, `Adam`, `Adamax`, `AdamW`等，详细参见[策略](https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc/api/paddle/optimizer/optimizer/Optimizer_cn.html)。
+
+其中`AdamW`:
+
+* `learning_rate`: 全局学习率。默认为1e-3；
+* `parameters`: 待优化模型参数。
+
+#### 运行配置
+
+`Trainer` 主要控制Fine-tune的训练，包含以下可控制的参数:
+
+* `model`: 被优化模型；
+* `optimizer`: 优化器选择；
+* `use_gpu`: 是否使用GPU训练，默认为False;
+* `use_vdl`: 是否使用vdl可视化训练过程；
+* `checkpoint_dir`: 保存模型参数的地址；
+* `compare_metrics`: 保存最优模型的衡量指标；
+
+`trainer.train` 主要控制具体的训练过程，包含以下可控制的参数：
+
+* `train_dataset`: 训练时所用的数据集；
+* `epochs`: 训练轮数；
+* `batch_size`: 训练的批大小，如果使用GPU，请根据实际情况调整batch_size；
+* `num_workers`: workers的数量，默认为0；
+* `eval_dataset`: 验证集；
+* `log_interval`: 打印日志的间隔， 单位为执行批训练的次数。
+* `save_interval`: 保存模型的间隔频次，单位为执行训练的轮数。
+
+## 模型预测
+
+当完成Fine-tune后，Fine-tune过程在验证集上表现最优的模型会被保存在`${CHECKPOINT_DIR}/best_model`目录下，其中`${CHECKPOINT_DIR}`目录为Fine-tune时所选择的保存checkpoint的目录。
+
+我们以以下数据为待预测数据，使用该模型来进行预测
+
+```text
+去年十二月二十四日，市委书记张敬涛召集县市主要负责同志研究信访工作时，提出三问：『假如上访群众是我们的父母姐妹，你会用什么样的感情对待他们？
+新华社北京5月7日电国务院副总理李岚清今天在中南海会见了美国前商务部长芭芭拉·弗兰克林。
+根据测算，海卫1表面温度已经从“旅行者”号探测器1989年造访时的零下236摄氏度上升到零下234摄氏度。
+华裔作家韩素音女士曾三次到大足，称“大足石窟是一座未被开发的金矿”。
+```
+
+```python
+import paddlehub as hub
+
+split_char = "\002"
+label_list = ["B-PER", "I-PER", "B-ORG", "I-ORG", "B-LOC", "I-LOC", "O"]
+text_a = [
+    '去年十二月二十四日，市委书记张敬涛召集县市主要负责同志研究信访工作时，提出三问：『假如上访群众是我们的父母姐妹，你会用什么样的感情对待他们？',
+    '新华社北京5月7日电国务院副总理李岚清今天在中南海会见了美国前商务部长芭芭拉·弗兰克林。',
+    '根据测算，海卫1表面温度已经从“旅行者”号探测器1989年造访时的零下236摄氏度上升到零下234摄氏度。',
+    '华裔作家韩素音女士曾三次到大足，称“大足石窟是一座未被开发的金矿”。',
+]
+data = [[split_char.join(text)] for text in text_a]
+label_map = {
+    idx: label for idx, label in enumerate(label_list)
+}
+
+model = hub.Module(
+    name='ernie_tiny',
+    version='2.0.1',
+    task='token-cls',
+    load_checkpoint='./token_cls_save_dir/best_model/model.pdparams',
+    label_map=label_map,
+)
+
+results = model.predict(data, max_seq_len=50, batch_size=1, use_gpu=False)
+for idx, text in enumerate(text_a):
+    print(f'Data: {text} \t Lable: {", ".join(results[idx][1:len(text)+1])}')
+```
+
+参数配置正确后，请执行脚本`python predict.py`， 加载模型具体可参见[加载](https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc/api/paddle/framework/io/load_cn.html#load)。
+
+### 依赖
+
+paddlepaddle >= 2.0.0rc
+
+paddlehub >= 2.0.0

docs/docs_ch/finetune/style_transfer.md

+# 风格迁移
+
+本示例将展示如何使用PaddleHub对预训练模型进行finetune并完成预测任务。
+
+## 命令行预测
+
+```
+$ hub run msgnet --input_path "/PATH/TO/ORIGIN/IMAGE" --style_path "/PATH/TO/STYLE/IMAGE"
+```
+
+## 如何开始Fine-tune
+
+在完成安装PaddlePaddle与PaddleHub后，通过执行`python train.py`即可开始使用msgnet模型对[MiniCOCO](../../docs/reference/datasets.md#class-hubdatasetsMiniCOCO)等数据集进行Fine-tune。
+
+## 代码步骤
+
+使用PaddleHub Fine-tune API进行Fine-tune可以分为4个步骤。
+
+### Step1: 定义数据预处理方式
+```python
+import paddlehub.vision.transforms as T
+
+transform = T.Compose([T.Resize((256, 256), interpolation='LINEAR')])
+```
+
+`transforms` 数据增强模块定义了丰富的数据预处理方式，用户可按照需求替换自己需要的数据预处理方式。
+
+### Step2: 下载数据集并使用
+```python
+from paddlehub.datasets.minicoco import MiniCOCO
+
+styledata = MiniCOCO(transform=transform, mode='train')
+
+```
+* `transforms`: 数据预处理方式。
+* `mode`: 选择数据模式，可选项有 `train`, `test`， 默认为`train`。
+
+数据集的准备代码可以参考 [minicoco.py](../../paddlehub/datasets/flowers.py)。`hub.datasets.MiniCOCO()`会自动从网络下载数据集并解压到用户目录下`$HOME/.paddlehub/dataset`目录。
+
+### Step3: 加载预训练模型
+
+```python
+model = hub.Module(name='msgnet', load_checkpoint=None)
+```
+* `name`: 选择预训练模型的名字。
+* `load_checkpoint`: 是否加载自己训练的模型，若为None，则加载提供的模型默认参数。
+
+### Step4: 选择优化策略和运行配置
+
+```python
+optimizer = paddle.optimizer.Adam(learning_rate=0.0001, parameters=model.parameters())
+trainer = Trainer(model, optimizer, checkpoint_dir='test_style_ckpt')
+trainer.train(styledata, epochs=101, batch_size=4, eval_dataset=styledata, log_interval=10, save_interval=10)
+```
+
+#### 优化策略
+
+Paddle2.0rc提供了多种优化器选择，如`SGD`, `Adam`, `Adamax`等，详细参见[策略](https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc/api/paddle/optimizer/optimizer/Optimizer_cn.html)。
+
+其中`Adam`:
+
+* `learning_rate`: 全局学习率。默认为1e-4；
+*  `parameters`: 待优化模型参数。
+
+#### 运行配置
+`Trainer` 主要控制Fine-tune的训练，包含以下可控制的参数:
+
+* `model`: 被优化模型；
+* `optimizer`: 优化器选择；
+* `use_vdl`: 是否使用vdl可视化训练过程；
+* `checkpoint_dir`: 保存模型参数的地址；
+* `compare_metrics`: 保存最优模型的衡量指标；
+
+`trainer.train` 主要控制具体的训练过程，包含以下可控制的参数：
+
+* `train_dataset`: 训练时所用的数据集；
+* `epochs`: 训练轮数；
+* `batch_size`: 训练的批大小，如果使用GPU，请根据实际情况调整batch_size；
+* `num_workers`: works的数量，默认为0；
+* `eval_dataset`: 验证集；
+* `log_interval`: 打印日志的间隔， 单位为执行批训练的次数。
+* `save_interval`: 保存模型的间隔频次，单位为执行训练的轮数。
+
+## 模型预测
+
+当完成Fine-tune后，Fine-tune过程在验证集上表现最优的模型会被保存在`${CHECKPOINT_DIR}/best_model`目录下，其中`${CHECKPOINT_DIR}`目录为Fine-tune时所选择的保存checkpoint的目录。
+
+我们使用该模型来进行预测。predict.py脚本如下：
+
+```python
+import paddle
+import paddlehub as hub
+
+if __name__ == '__main__':
+    model = hub.Module(name='msgnet', load_checkpoint="/PATH/TO/CHECKPOINT")
+    result = model.predict(origin=["venice-boat.jpg"], style="candy.jpg", visualization=True, save_path ='style_tranfer')
+```
+
+参数配置正确后，请执行脚本`python predict.py`， 加载模型具体可参见[加载](https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc/api/paddle/framework/io/load_cn.html#load)。
+
+**Args**
+* `origin`:原始图像路径或BGR格式图片；
+* `style`: 风格图像路径；
+* `visualization`: 是否可视化，默认为True；
+* `save_path`: 保存结果的路径，默认保存路径为'style_tranfer'。
+
+**NOTE:** 进行预测时，所选择的module，checkpoint_dir，dataset必须和Fine-tune所用的一样。
+
+## 服务部署
+
+PaddleHub Serving可以部署一个在线风格迁移服务。
+
+### Step1: 启动PaddleHub Serving
+
+运行启动命令：
+
+```shell
+$ hub serving start -m msgnet
+```
+
+这样就完成了一个风格迁移服务化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。
+
+### Step2: 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
+
+import numpy as np
+
+
+def cv2_to_base64(image):
+    data = cv2.imencode('.jpg', image)[1]
+    return base64.b64encode(data.tostring()).decode('utf8')
+
+def base64_to_cv2(b64str):
+    data = base64.b64decode(b64str.encode('utf8'))
+    data = np.fromstring(data, np.uint8)
+    data = cv2.imdecode(data, cv2.IMREAD_COLOR)
+    return data
+
+# 发送HTTP请求
+org_im = cv2.imread('/PATH/TO/ORIGIN/IMAGE')
+style_im = cv2.imread('/PATH/TO/STYLE/IMAGE')
+data = {'images':[[cv2_to_base64(org_im)], cv2_to_base64(style_im)]}
+headers = {"Content-type": "application/json"}
+url = "http://127.0.0.1:8866/predict/msgnet"
+r = requests.post(url=url, headers=headers, data=json.dumps(data))
+data = base64_to_cv2(r.json()["results"]['data'][0])
+cv2.imwrite('style.png', data)
+```
+
+### 查看代码
+
+https://github.com/zhanghang1989/PyTorch-Multi-Style-Transfer
+
+### 依赖
+
+paddlepaddle >= 2.0.0rc
+
+paddlehub >= 2.0.0

docs/docs_ch/finetune/text_matching.md

+# 文本匹配
+
+在2017年之前，工业界和学术界对NLP文本处理依赖于序列模型[Recurrent Neural Network (RNN)](https://baike.baidu.com/item/%E5%BE%AA%E7%8E%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/23199490?fromtitle=RNN&fromid=5707183&fr=aladdin).
+
+![](http://colah.github.io/posts/2015-09-NN-Types-FP/img/RNN-general.png)
+
+近年来随着深度学习的发展，模型参数数量飞速增长，为了训练这些参数，需要更大的数据集来避免过拟合。然而，对于大部分NLP任务来说，构建大规模的标注数据集成本过高，非常困难，特别是对于句法和语义相关的任务。相比之下，大规模的未标注语料库的构建则相对容易。最近的研究表明，基于大规模未标注语料库的预训练模型（Pretrained Models, PTM) 能够习得通用的语言表示，将预训练模型Fine-tune到下游任务，能够获得出色的表现。另外，预训练模型能够避免从零开始训练模型。
+
+![](https://ai-studio-static-online.cdn.bcebos.com/327f44ff3ed24493adca5ddc4dc24bf61eebe67c84a6492f872406f464fde91e)
+
+
+本示例将展示如何使用PaddleHub Transformer模型（如 ERNIE、BERT、RoBERTa等模型）Module 以动态图方式fine-tune并完成预测任务。
+
+## 文本匹配
+
+使用预训练模型ERNIE完成文本匹配任务，大家可能会想到将query和title文本拼接，之后输入ERNIE中，取`CLS`特征（pooled_output），之后输出全连接层，进行二分类。如下图ERNIE用于句对分类任务的用法：
+
+![](https://camo.githubusercontent.com/5e1867ee2b6fc3a0f94c7b2c87a4d987fed4c440d4d9c80726e5798900880027/68747470733a2f2f61692d73747564696f2d7374617469632d6f6e6c696e652e63646e2e626365626f732e636f6d2f34353434303032396330373234306164383964363635633562313736653633323937653935383465316461323465303262373964643534666239393066373461)
+
+然而，以上用法的问题在于，ERNIE的模型参数非常庞大，导致计算量非常大，预测的速度也不够理想。从而达不到线上业务的要求。针对该问题，使用Sentence Transformer网络可以优化计算量。
+
+Sentence Transformer采用了双塔（Siamese）的网络结构。Query和Title分别输入Transformer网络，共享网络参数，得到各自的token embedding特征。之后对token embedding进行pooling（此处教程使用mean pooling操作），之后输出分别记作u，v。之后将三个表征（u,v,|u-v|)拼接起来，进行二分类。网络结构如下图所示。
+
+![](https://camo.githubusercontent.com/80e65553f0c82886a27897a0a151ee9745e6e2def310d6649c8a68e2672c06c2/68747470733a2f2f61692d73747564696f2d7374617469632d6f6e6c696e652e63646e2e626365626f732e636f6d2f31303339393837303365313334613731383438383335313161353338363230653136666564303435653236313464636338616661636563343436363030343338)
+
+更多关于Sentence Transformer的信息可以参考论文：https://arxiv.org/abs/1908.10084
+
+## 如何开始Fine-tune
+
+
+我们以中文文本匹配数据集LCQMC为示例数据集，可以运行下面的命令，在训练集（train.tsv）上进行模型训练，并在开发集（dev.tsv）验证和测试集测试（test.tsv）。通过如下命令，即可启动训练。
+
+
+使用PaddleHub Fine-tune API进行Fine-tune可以分为4个步骤。
+
+### Step1: 选择模型
+```python
+import paddlehub as hub
+
+model = hub.Module(name='ernie_tiny', version='2.0.2', task='text-matching')
+```
+
+其中，参数：
+
+* `name`：模型名称，可以选择`ernie`，`ernie_tiny`，`bert-base-cased`， `bert-base-chinese`, `roberta-wwm-ext`，`roberta-wwm-ext-large`等。
+* `version`：module版本号
+* `task`：fine-tune任务。此处为`text-matching`，表示文本匹配任务。
+
+PaddleHub还提供BERT等模型可供选择, 当前支持文本分类任务的模型对应的加载示例如下：
+
+模型名                           | PaddleHub Module
+---------------------------------- | :------:
+ERNIE, Chinese                     | `hub.Module(name='ernie')`
+ERNIE tiny, Chinese                | `hub.Module(name='ernie_tiny')`
+ERNIE 2.0 Base, English            | `hub.Module(name='ernie_v2_eng_base')`
+ERNIE 2.0 Large, English           | `hub.Module(name='ernie_v2_eng_large')`
+BERT-Base, English Cased           | `hub.Module(name='bert-base-cased')`
+BERT-Base, English Uncased         | `hub.Module(name='bert-base-uncased')`
+BERT-Large, English Cased          | `hub.Module(name='bert-large-cased')`
+BERT-Large, English Uncased        | `hub.Module(name='bert-large-uncased')`
+BERT-Base, Multilingual Cased      | `hub.Module(nane='bert-base-multilingual-cased')`
+BERT-Base, Multilingual Uncased    | `hub.Module(nane='bert-base-multilingual-uncased')`
+BERT-Base, Chinese                 | `hub.Module(name='bert-base-chinese')`
+BERT-wwm, Chinese                  | `hub.Module(name='chinese-bert-wwm')`
+BERT-wwm-ext, Chinese              | `hub.Module(name='chinese-bert-wwm-ext')`
+RoBERTa-wwm-ext, Chinese           | `hub.Module(name='roberta-wwm-ext')`
+RoBERTa-wwm-ext-large, Chinese     | `hub.Module(name='roberta-wwm-ext-large')`
+RBT3, Chinese                      | `hub.Module(name='rbt3')`
+RBTL3, Chinese                     | `hub.Module(name='rbtl3')`
+ELECTRA-Small, English             | `hub.Module(name='electra-small')`
+ELECTRA-Base, English              | `hub.Module(name='electra-base')`
+ELECTRA-Large, English             | `hub.Module(name='electra-large')`
+ELECTRA-Base, Chinese              | `hub.Module(name='chinese-electra-base')`
+ELECTRA-Small, Chinese             | `hub.Module(name='chinese-electra-small')`
+
+通过以上的一行代码，`model`初始化为一个适用于文本匹配任务的双塔（Siamese）结构模型，。
+
+
+### Step2: 下载并加载数据集
+
+```python
+train_dataset = LCQMC(tokenizer=model.get_tokenizer(), max_seq_len=128, mode='train')
+dev_dataset = LCQMC(tokenizer=model.get_tokenizer(), max_seq_len=128, mode='dev')
+test_dataset = LCQMC(tokenizer=model.get_tokenizer(), max_seq_len=128, mode='test')
+```
+
+* `tokenizer`：表示该module所需用到的tokenizer，其将对输入文本完成切词，并转化成module运行所需模型输入格式。
+* `mode`：选择数据模式，可选项有 `train`, `dev`, `test`，默认为`train`。
+* `max_seq_len`：ERNIE/BERT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。
+
+预训练模型ERNIE对中文数据的处理是以字为单位，tokenizer作用为将原始输入文本转化成模型model可以接受的输入数据形式。 PaddleHub 2.0中的各种预训练模型已经内置了相应的tokenizer，可以通过`model.get_tokenizer`方法获取。
+
+
+### Step3:  选择优化策略和运行配置
+
+```python
+optimizer = paddle.optimizer.AdamW(learning_rate=5e-5, parameters=model.parameters())
+trainer = hub.Trainer(model, optimizer, checkpoint_dir='./', use_gpu=True)
+```
+
+#### 优化策略
+
+Paddle2.0提供了多种优化器选择，如`SGD`, `AdamW`, `Adamax`等，详细参见[策略](https://www.paddlepaddle.org.cn/documentation/docs/zh/api/paddle/optimizer/Overview_cn.html)。
+
+其中`AdamW`:
+
+- `learning_rate`: 全局学习率。默认为1e-3；
+- `parameters`: 待优化模型参数。
+
+其余可配置参数请参考[AdamW](https://www.paddlepaddle.org.cn/documentation/docs/zh/api/paddle/optimizer/adamw/AdamW_cn.html#cn-api-paddle-optimizer-adamw)。
+
+#### 运行配置
+
+`Trainer` 主要控制Fine-tune的训练，包含以下可控制的参数:
+
+- `model`: 被优化模型；
+- `optimizer`: 优化器选择；
+- `use_vdl`: 是否使用vdl可视化训练过程；
+- `checkpoint_dir`: 保存模型参数的地址；
+- `compare_metrics`: 保存最优模型的衡量指标；
+
+
+### Step4: 执行训练和模型评估
+
+```python
+trainer.train(
+    train_dataset,
+    epochs=10,
+    batch_size=32,
+    eval_dataset=dev_dataset,
+    save_interval=2,
+)
+trainer.evaluate(test_dataset, batch_size=32)
+```
+
+`trainer.train`执行模型的训练，其参数可以控制具体的训练过程，主要的参数包含：
+
+- `train_dataset`: 训练时所用的数据集；
+- `epochs`: 训练轮数；
+- `batch_size`: 训练时每一步用到的样本数目，如果使用GPU，请根据实际情况调整batch_size；
+- `num_workers`: works的数量，默认为0；
+- `eval_dataset`: 验证集；
+- `log_interval`: 打印日志的间隔， 单位为执行批训练的次数。
+- `save_interval`: 保存模型的间隔频次，单位为执行训练的轮数。
+
+`trainer.evaluate`执行模型的评估，主要的参数包含：
+
+- `eval_dataset`: 模型评估时所用的数据集；
+- `batch_size`: 模型评估时每一步用到的样本数目，如果使用GPU，请根据实际情况调整batch_size
+
+
+## 模型预测
+
+当完成Fine-tune后，Fine-tune过程在验证集上表现最优的模型会被保存在`${CHECKPOINT_DIR}/best_model`目录下，其中`${CHECKPOINT_DIR}`目录为Fine-tune时所选择的保存checkpoint的目录。
+
+以下代码将使用最优模型来进行预测：
+
+```python
+import paddlehub as hub
+
+data = [
+    ['这个表情叫什么', '这个猫的表情叫什么'],
+    ['什么是智能手环', '智能手环有什么用'],
+    ['介绍几本好看的都市异能小说，要完结的！', '求一本好看点的都市异能小说，要完结的'],
+    ['一只蜜蜂落在日历上（打一成语）', '一只蜜蜂停在日历上（猜一成语）'],
+    ['一盒香烟不拆开能存放多久？', '一条没拆封的香烟能存放多久。'],
+]
+label_map = {0: 'similar', 1: 'dissimilar'}
+
+model = hub.Module(
+    name='ernie_tiny',
+    version='2.0.2',
+    task='text-matching',
+    load_checkpoint='./checkpoint/best_model/model.pdparams',
+    label_map=label_map)
+results = model.predict(data, max_seq_len=128, batch_size=1, use_gpu=True)
+for idx, texts in enumerate(data):
+    print('TextA: {}\tTextB: {}\t Label: {}'.format(texts[0], texts[1], results[idx]))
+```
+
+### 依赖
+
+paddlepaddle >= 2.0.0
+
+paddlehub >= 2.0.0

docs/docs_ch/get_start/installation.rst

+============
+安装
+============
+
+
+环境依赖
+========================
+
+* 操作系统：Windows/Mac/Linux
+* Python>=3.6
+* PaddlePaddle>=2.0.0
+
+.. code-block:: shell
+
+    # 安装gpu版本的PaddlePaddle
+    pip install paddlepaddle-gpu -U
+
+    # 或者安装cpu版本的paddlepaddle
+    # pip install paddlepaddle -U
+
+安装命令
+========================
+
+在安装PaddleHub之前，请先安装PaddlePaddle深度学习框架，更多安装说明请查阅`飞桨快速安装 <https://www.paddlepaddle.org.cn/install/quick>`_.
+
+.. code-block:: shell
+
+    pip install paddlehub==2.1.0
+
+除上述依赖外，PaddleHub的预训练模型和预置数据集需要连接服务端进行下载，请确保机器可以正常访问网络。若本地已存在相关的数据集和预训练模型，则可以离线运行PaddleHub。
+
+.. note::
+    使用PaddleHub下载数据集、预训练模型等，要求机器可以访问外网。可以使用`server_check()`可以检查本地与远端PaddleHub-Server的连接状态，使用方法如下：
+
+.. code-block:: Python
+
+    import paddlehub
+    paddlehub.server_check()
+    # 如果可以连接远端PaddleHub-Server，则显示Request Hub-Server successfully。
+    # 如果无法连接远端PaddleHub-Server，则显示Request Hub-Server unsuccessfully。
\ No newline at end of file

docs/docs_ch/get_start/python_use_hub.rst

+=================
+快速体验
+=================
+
+在PaddleHub中，Module代表一个可执行模块，一般来讲就是一个可以端到端预测的预训练模型（例如目标检测模型、中文词法分析模型），又或者是一个需要根据下游任务进一步微调（迁移学习）的模型，例如BERT/ERNIE。
+
+PaddleHub采用模型即软件的设计理念，所有的预训练模型与Python软件包类似，具备版本的概念。
+
+本教程会带您快速体验如何使用PaddleHub提供的预训练模型来完成一些常见的AI任务。
+
+下载测试图片
+=============================================
+
+首先，使用`wget`下载一张测试图片
+
+.. code-block:: shell
+
+    # 下载图片
+    wget https://paddlehub.bj.bcebos.com/resources/test_image.jpg
+
+.. image:: ../../imgs/humanseg_test.png
+    :width: 300px
+
+人像分割
+=============================================
+
+人像分割任务旨在将输入图片中的人像和背景区分开来。该任务有很多的应用场景，例如背景虚化、背景替换、影视后期处理等等。我们使用`humanseg_lite <https://www.paddlepaddle.org.cn/hubdetail?name=humanseg_lite&en_category=ImageSegmentation>`_ 来展示这个功能。
+
+.. code-block:: python
+
+    import paddlehub as hub
+    # module = hub.Module(name="humanseg_lite", version="1.1.1")
+    module = hub.Module(name="humanseg_lite")
+
+    res = module.segmentation(
+        paths = ["./test_image.jpg"], 
+        visualization=True, 
+        output_dir='humanseg_output')
+
+.. image:: ../../imgs/output_8_3.png
+    :width: 300px
+
+人体解析
+=============================================
+
+人体解析是人像分割的细粒度任务。该任务旨在提取输入图片中人体的不同部件。相关模型经常和新兴的GAN模型一起使用，应用场景包括美颜、换衣服等等。我们使用`ace2p <https://www.paddlepaddle.org.cn/hubdetail?name=ace2p&en_category=ImageSegmentation>`_  来展示这个功能。
+
+.. code-block:: python
+
+    import paddlehub as hub
+    # module = hub.Module(name="ace2p", version="1.1.0")
+    module = hub.Module(name="ace2p")
+
+    res = module.segment(
+        paths = ["./test_image.jpg"], 
+        visualization=True, 
+        output_dir='ace2p_output')
+
+.. image:: ../../imgs/output_12_3.png
+    :width: 300px
+
+人脸检测 
+=============================================
+
+人脸检测任务旨在检测出输入图片中的每一张人脸的位置。应用的场景包括视频监控、人流量估计等等场景。我们使用`ultra_light_fast_generic_face_detector_1mb_640 <https://www.paddlepaddle.org.cn/hubdetail?name=ultra_light_fast_generic_face_detector_1mb_640&en_category=FaceDetection>`_ 来展示这个功能。
+
+.. code-block:: python
+
+    import paddlehub as hub
+    # module = hub.Module(name="ultra_light_fast_generic_face_detector_1mb_640", version="1.1.2")
+    module = hub.Module(name="ultra_light_fast_generic_face_detector_1mb_640")
+
+    res = module.face_detection(
+        paths = ["./test_image.jpg"], 
+        visualization=True, 
+        output_dir='face_detection_output')
+
+.. image:: ../../imgs/output_15_3.png
+    :width: 300px
+
+关键点检测
+=============================================
+
+关键点检测任务旨在识别输入图片中每一个人体的不同关键点信息，例如头部、肩膀、关节等等。依赖于模型能力的不同，能够检测到的关键点数量也不同。该任务一般用于人体美型、人体姿态估计等等，我们使用`openpose_body_estimation <https://www.paddlepaddle.org.cn/hubdetail?name=openpose_body_estimation&en_category=KeyPointDetection>`_ 来展示这个功能。
+
+.. code-block:: python
+
+    import paddlehub as hub
+    # module = hub.Module(name="openpose_body_estimation", version="1.0.0")
+    module = hub.Module(name="openpose_body_estimation")
+
+    res = module.predict(
+        img="./test_image.jpg", 
+        visualization=True, 
+        save_path='keypoint_output')
+
+.. image:: ../../imgs/output_18_2.png
+    :width: 300px
+
+中文词法分析
+=============================================
+
+中文词法分析旨在对输入的语句进行分词、词性分析、命名实体识别，我们使用`lac <https://www.paddlepaddle.org.cn/hubdetail?name=lac&en_category=LexicalAnalysis>`_ 来展示这个功能。
+
+.. code-block:: python
+
+    import paddlehub as hub
+    # lac = hub.Module(name="lac", version="2.2.0")
+    lac = hub.Module(name="lac")
+
+    test_text = ["1996年，曾经是微软员工的加布·纽维尔和麦克·哈灵顿一同创建了Valve软件公司。他们在1996年下半年从id software取得了雷神之锤引擎的使用许可，用来开发半条命系列。"]
+    print(lac.lexical_analysis(texts = test_text))
+    
+----------------
+
+    [{'word': ['1996年', '，', '曾经', '是', '微软', '员工', '的', '加布·纽维尔', '和', '麦克·哈灵顿', '一同', '创建', '了', 'Valve软件公司', '。', '他们', '在', '1996年下半年', '从', 'id', ' ', 'software', '取得', '了', '雷神之锤', '引擎', '的', '使用', '许可', '，', '用来', '开发', '半条命', '系列', '。'], 'tag': ['TIME', 'w', 'd', 'v', 'ORG', 'n', 'u', 'PER', 'c', 'PER', 'd', 'v', 'u', 'ORG', 'w', 'r', 'p', 'TIME', 'p', 'nz', 'w', 'n', 'v', 'u', 'n', 'n', 'u', 'vn', 'vn', 'w', 'v', 'v', 'n', 'n', 'w']}]
+
+中文情感分析
+=============================================
+
+中文情感分析旨在分析输入语句的情感倾向，我们使用 `senta_bilstm <https://www.paddlepaddle.org.cn/hubdetail?name=senta_bilstm&en_category=SentimentAnalysis>`_ 来展示这个功能。
+
+.. code-block:: python
+
+    import paddlehub as hub
+    # senta = hub.Module(name="senta_bilstm", version="1.2.0")
+    senta = hub.Module(name="senta_bilstm")
+
+    test_text = ["味道不错，确实不算太辣，适合不能吃辣的人。就在长江边上，抬头就能看到长江的风景。鸭肠、黄鳝都比较新鲜。"]
+    print(senta.sentiment_classify(texts = test_text))
+
+----------------
+
+    [{'text': '味道不错，确实不算太辣，适合不能吃辣的人。就在长江边上，抬头就能看到长江的风景。鸭肠、黄鳝都比较新鲜。', 'sentiment_label': 1, 'sentiment_key': 'positive', 'positive_probs': 0.9771, 'negative_probs': 0.0229}]
\ No newline at end of file

docs/docs_ch/get_start_index.rst

+===============================
+快速入门PaddleHub
+===============================
+
+.. toctree::
+   :maxdepth: 2
+
+   get_start/installation.md
+   get_start/python_use_hub.md
\ No newline at end of file

docs/docs_ch/index.rst

-#########################################
-PaddleHub 文档
-#########################################
+===========================
+关于PaddleHub
+===========================
 
-..  toctree::
-    :caption: 目录
-    :maxdepth: 2
-    :titlesonly:
+欢迎使用PaddleHub！这是一个基于飞桨框架的预训练模型应用工具，旨在降低AI模型的使用门槛并促动AI社区的发展。无论您是AI领域的资深开发者，还是对该领域不甚了解却非常感兴趣的用户，PaddleHub都可以对您产生帮助。ou are a senior developer in the AI ​​industry nor an interested person who knows nothing about the AI ​​field, you can benefit from PaddleHub.
 
-    概述<overview>
-    安装<install>
-    快速体验<quick_experience/quick_index>
-    部署预训练模型<tutorial/Serving_index>
-    API<reference/ref_index>
-    命令行参考<tutorial/cmdintro>
-    FAQ<faq>
-    社区贡献<contribution/contri_index>
-    更新历史<release>
\ No newline at end of file
+* PaddleHub旨在为开发者提供丰富的、高质量的、直接可用的预训练模型。
+* **【无需深度学习背景、无需数据与训练过程】**，可快速使用AI模型，享受人工智能时代红利。
+* 涵盖CV、NLP、Audio、Video主流四大品类，支持**一键预测**、**一键服务化部署**和**快速迁移学习**
+* 全部模型开源下载，**离线可运行**。
+
+------------
+
+===========================
+概览
+===========================
+.. toctree::
+   :maxdepth: 2
+   :titlesonly:
+
+   快速入门PaddleHub<get_start_index>
+   教程<tutorial_index>
+   API<api_index>
+   常见问题<faq>
+   社区<community_index>
+   发版信息<release>
+
+   
\ No newline at end of file

docs/docs_ch/installation.md

-# 安装
-
-## 环境依赖
-
-* Python>=3.6
-* PaddlePaddle>=2.0.0rc
-```shell
-# 安装gpu版本的PaddlePaddle
-pip install paddlepaddle-gpu==2.0.0rc
-
-# 或者安装cpu版本的paddlepaddle
-# pip install paddlepaddle==2.0.0rc
-```
-* 操作系统：Windows/Mac/Linux
-
-## 安装命令
-
-在安装PaddleHub之前，请先安装PaddlePaddle深度学习框架，更多安装说明请查阅[飞桨快速安装](https://www.paddlepaddle.org.cn/install/quick/zh/2.0rc-windows-pip)
-
-```shell
-pip install paddlehub==2.0.0rc0
-```
-
-除上述依赖外，PaddleHub的预训练模型和预置数据集需要连接服务端进行下载，请确保机器可以正常访问网络。若本地已存在相关的数据集和预训练模型，则可以离线运行PaddleHub。
-
-**NOTE:** 使用PaddleHub下载数据集、预训练模型等，要求机器可以访问外网。可以使用`server_check()`可以检查本地与远端PaddleHub-Server的连接状态，使用方法如下：
-
-```python
-import paddlehub
-paddlehub.server_check()
-# 如果可以连接远端PaddleHub-Server，则显示Request Hub-Server successfully。
-# 如果无法连接远端PaddleHub-Server，则显示Request Hub-Server unsuccessfully。
-```

docs/docs_ch/make.bat

+@ECHO OFF
+
+pushd %~dp0
+
+REM Command file for Sphinx documentation
+
+if "%SPHINXBUILD%" == "" (
+	set SPHINXBUILD=sphinx-build
+)
+set SOURCEDIR=.
+set BUILDDIR=_build
+
+if "%1" == "" goto help
+
+%SPHINXBUILD% >NUL 2>NUL
+if errorlevel 9009 (
+	echo.
+	echo.The 'sphinx-build' command was not found. Make sure you have Sphinx
+	echo.installed, then set the SPHINXBUILD environment variable to point
+	echo.to the full path of the 'sphinx-build' executable. Alternatively you
+	echo.may add the Sphinx directory to PATH.
+	echo.
+	echo.If you don't have Sphinx installed, grab it from
+	echo.http://sphinx-doc.org/
+	exit /b 1
+)
+
+%SPHINXBUILD% -M %1 %SOURCEDIR% %BUILDDIR% %SPHINXOPTS% %O%
+goto end
+
+:help
+%SPHINXBUILD% -M help %SOURCEDIR% %BUILDDIR% %SPHINXOPTS% %O%
+
+:end
+popd

docs/docs_ch/overview.md

-# 概述
-
-## PaddleHub是什么
-
-PaddleHub是飞桨生态的预训练模型应用工具，开发者可以便捷地使用高质量的预训练模型结合Fine-tune API快速完成模型迁移到部署的全流程工作。PaddleHub提供的预训练模型涵盖了图像分类、目标检测、词法分析、语义模型、情感分析、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。更多详情可查看[PaddleHub官网](https://www.paddlepaddle.org.cn/hub)
-
-PaddleHub以预训练模型应用为核心具备以下特点：  
-
-* **模型即软件：** 通过Python API或命令行实现模型调用，可快速体验或集成飞桨特色预训练模型。
-
-* **易用的迁移学习：** 通过Fine-tune API，只需少量代码即可完成预训练模型的Fine-tuning。
-
-* **一键模型转服务：** 简单一行命令即可搭建属于自己的深度学习模型API服务完成部署。
-
-![](./imgs/paddlehub_figure.jpg)
-
-<p align='center'>
- PaddleHub全景图
-</p>
-
-
-## PaddleHub特性
-
-### 一、模型即软件
-
-PaddleHub采用模型即软件的设计理念，所有的预训练模型与Python软件包类似，具备版本的概念，通过`hub install/uninstall` 可以便捷完成模型的升级和卸载。此外，还可以通过Python的API或命令行实现快速预测的软件集成，更方便地应用和管理深度学习模型，完成模型的搜索、下载、安装、升级、预测等功能。更加详细的使用说明可以参考[PaddleHub命令行工具](./tutorial/cmdintro.md)。
-
-目前的预训练模型覆盖了图像分类、语义模型、视频分类、图像生成、图像分割、文本审核、关键点检测等业界主流模型，更多PaddleHub已经发布的模型，请前往 [PaddleHub官网](https://www.paddlepaddle.org.cn/hub) 查看。也可以使用[快速体验](./quickstart.md)通过命令行即可调用预训练模型进行预测。
-
-### 二、易用的迁移学习
-
-迁移学习(Transfer Learning)通俗来讲，就是运用已有的知识来学习新的知识，核心是找到已有知识和新知识之间的相似性。PaddleHub提供了Fine-tune API，只需要少量代码即可完成深度学习模型在计算机视觉场景下的迁移学习，可以在更短的时间完成模型的训练，同时模型具备更好的泛化能力。下图所示是基于PaddleHub，通过数十行代码完成ERNIE工业级文本分类示例：
-
-![](./imgs/paddlehub_finetune.gif)
-
-<p align='center'>
- 十行代码完成图像风格迁移
-</p>
-
-
-PaddleHub提供了使用Finetune-API和预训练模型完成[图像分类](../demo/image_classification)、[图像着色](../demo/colorization)、[风格迁移](../demo/style_transfer)等迁移任务的使用示例，详细参见[demo](../demo)。
-
-
-* 场景化使用
-
-  PaddleHub在AI Studio上提供了IPython NoteBook形式的demo。用户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|
-|-|-|-|-|-|
-|chinese_text_detection_db_mobile|ocr中文识别|icdar2015数据集|[点击体验](https://aistudio.baidu.com/aistudio/projectdetail/507159)|超轻量9M模型，火爆|
-|video_tag_lstm|短视频分类|百度自建数据集|[点击体验](https://aistudio.baidu.com/aistudio/projectdetail/509776)|大规模，多标签|
-|resnet50_vd_animals|动物识别|百度自建动物数据集|[点击体验](https://aistudio.baidu.com/aistudio/projectdetail/437648)|八千种动物识别|
-|face_landmark_localization|AI川剧变脸|AFW/AFLW|[点击体验](https://aistudio.baidu.com/aistudio/projectdetail/402892)||
-|face_landmark_localization|人像美颜|AFW/AFLW|[点击体验](https://aistudio.baidu.com/aistudio/projectdetail/389512)||
-|DeepLabv3+|人像抠图|百度自建数据集|[点击体验](https://aistudio.baidu.com/aistudio/projectdetail/341116)||
-|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/186443)||
-|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)||
-
-**NOTE:** [`飞桨PaddleHub`](https://aistudio.baidu.com/aistudio/personalcenter/thirdview/79927)是PaddleHub的官方账号。
-
-关于PaddleHub快捷完成迁移学习，更多信息参考：
-
-[API](./reference/ref_index.rst)
-
-[自定义数据集如何Fine-tune](tutorial/how_to_load_data.md)
-
-
-### 三、一键模型转服务
-
-PaddleHub Serving是基于PaddleHub的一键模型服务部署工具，能够通过简单的Hub命令行工具轻松启动一个模型预测在线服务。
-其主要包括利用Bert Service实现embedding服务化，以及利用预测模型实现预训练模型预测服务化两大功能。未来还将支持开发者使用PaddleHub Fine-tune API的模型服务化。
-
-关于服务化部署详细信息参见[PaddleHub Serving一键服务部署](tutorial/serving.md)。

docs/docs_ch/quick_experience/cmd_quick_run.md

-# 通过命令行调用方式使用PaddleHub
-
-本页面的代码/命令可在[AIStudio](https://aistudio.baidu.com/aistudio/projectdetail/643120)上在线运行，类似notebook的环境，只需通过浏览器即可访问，无需准备环境，非常方便开发者快速体验。
-
-PaddleHub在设计时，为模型的管理和使用提供了命令行工具，也提供了通过命令行调用PaddleHub模型完成预测的方式。比如，前面章节中人像分割和文本分词的任务也可以通过命令行调用的方式实现。
-
-### 体验前请提前安装好PaddleHub
-
-
-```shell
-# 安装最新版本，使用清华源更稳定、更迅速
-$ pip install paddlehub --upgrade -i https://pypi.tuna.tsinghua.edu.cn/simple
-```
-
-### 人像扣图
-
-
-```shell
-# 下载待测试图片
-$ wget https://paddlehub.bj.bcebos.com/resources/test_image.jpg
-# 通过命令行方式实现人像扣图任务
-$ hub run deeplabv3p_xception65_humanseg --input_path test_image.jpg --visualization=True --output_dir="humanseg_output"
-```
-
-    --2020-07-22 12:19:52--  https://paddlehub.bj.bcebos.com/resources/test_image.jpg
-    Resolving paddlehub.bj.bcebos.com (paddlehub.bj.bcebos.com)... 182.61.200.195, 182.61.200.229
-    Connecting to paddlehub.bj.bcebos.com (paddlehub.bj.bcebos.com)|182.61.200.195|:443... connected.
-    HTTP request sent, awaiting response... 200 OK
-    Length: 967120 (944K) [image/jpeg]
-    Saving to: ‘test_image.jpg’
-
-    test_image.jpg      100%[===================>] 944.45K  6.13MB/s    in 0.2s  
-
-    2020-07-22 12:19:53 (6.13 MB/s) - ‘test_image.jpg’ saved [967120/967120]
-
-    [{'save_path': 'humanseg_output/test_image.png', 'data': array([[0., 0., 0., ..., 0., 0., 0.],
-           [0., 0., 0., ..., 0., 0., 0.],
-           [0., 0., 0., ..., 0., 0., 0.],
-           ...,
-           [0., 0., 0., ..., 0., 0., 0.],
-           [0., 0., 0., ..., 0., 0., 0.],
-           [0., 0., 0., ..., 0., 0., 0.]], dtype=float32)}]
-
-
-
-![png](../imgs/humanseg_test_res.png)
-
-
-### 中文分词
-
-
-```shell
-#通过命令行方式实现文本分词任务
-$ hub run lac --input_text "今天是个好日子"
-```
-
-    Install Module lac
-    Downloading lac
-    [==================================================] 100.00%
-    Uncompress /home/aistudio/.paddlehub/tmp/tmpjcskpj8x/lac
-    [==================================================] 100.00%
-    Successfully installed lac-2.1.1
-    [{'word': ['今天', '是', '个', '好日子'], 'tag': ['TIME', 'v', 'q', 'n']}]
-
-
-上面的命令中包含四个部分，分别是：
-- hub 表示PaddleHub的命令。
-- run 调用run执行模型的预测。
-- deeplabv3p_xception65_humanseg、lac 表示要调用的算法模型。
-- --input_path/--input_text  表示模型的输入数据，图像和文本的输入方式不同。
-
-另外，命令行中`visualization=True`表示将结果可视化输出，`output_dir="humanseg_output"`表示预测结果的保存目录，可以到该路径下查看输出的图片。
-
-再看一个文字识别和一个口罩检测的例子。
-
-### OCR文字识别
-
-
-```shell
-# 下载待测试的图片
-$ wget https://paddlehub.bj.bcebos.com/model/image/ocr/test_ocr.jpg
-
-# 该Module依赖于第三方库shapely和pyclipper，需提前安装
-$ pip install shapely
-$ pip install pyclipper
-
-# 通过命令行方式实现文字识别任务
-$ hub run chinese_ocr_db_crnn_mobile --input_path test_ocr.jpg --visualization=True --output_dir='ocr_result'
-```
-
-    --2020-07-22 15:00:50--  https://paddlehub.bj.bcebos.com/model/image/ocr/test_ocr.jpg
-    Resolving paddlehub.bj.bcebos.com (paddlehub.bj.bcebos.com)... 182.61.200.195, 182.61.200.229
-    Connecting to paddlehub.bj.bcebos.com (paddlehub.bj.bcebos.com)|182.61.200.195|:443... connected.
-    HTTP request sent, awaiting response... 200 OK
-    Length: 48680 (48K) [image/jpeg]
-    Saving to: ‘test_ocr.jpg’
-
-    test_ocr.jpg        100%[===================>]  47.54K  --.-KB/s    in 0.02s  
-
-    2020-07-22 15:00:51 (2.88 MB/s) - ‘test_ocr.jpg’ saved [48680/48680]
-
-    Looking in indexes: https://pypi.mirrors.ustc.edu.cn/simple/
-    Requirement already satisfied: shapely in /opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages (1.7.0)
-    Looking in indexes: https://pypi.mirrors.ustc.edu.cn/simple/
-    Requirement already satisfied: pyclipper in /opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages (1.2.0)
-    [{'save_path': 'ocr_result/ndarray_1595401261.294494.jpg', 'data': [{'text': '纯臻营养护发素', 'confidence': 0.9438689351081848, 'text_box_position': [[24, 36], [304, 34], [304, 72], [24, 74]]}, {'text': '产品信息/参数', 'confidence': 0.9843138456344604, 'text_box_position': [[24, 80], [172, 80], [172, 104], [24, 104]]}, {'text': '（45元/每公斤，100公斤起订）', 'confidence': 0.9210420250892639, 'text_box_position': [[24, 109], [333, 109], [333, 136], [24, 136]]}, {'text': '每瓶22元，1000瓶起订）', 'confidence': 0.9685984253883362, 'text_box_position': [[22, 139], [283, 139], [283, 166], [22, 166]]}, {'text': '【品牌】', 'confidence': 0.9527574181556702, 'text_box_position': [[22, 174], [85, 174], [85, 198], [22, 198]]}, {'text': '：代加工方式/OEMODM', 'confidence': 0.9442129135131836, 'text_box_position': [[90, 176], [301, 176], [301, 196], [90, 196]]}, {'text': '【品名】', 'confidence': 0.8793742060661316, 'text_box_position': [[23, 205], [85, 205], [85, 229], [23, 229]]}, {'text': '：纯臻营养护发素', 'confidence': 0.9230973124504089, 'text_box_position': [[95, 204], [235, 206], [235, 229], [95, 227]]}, {'text': '【产品编号】', 'confidence': 0.9311650395393372, 'text_box_position': [[24, 238], [120, 238], [120, 260], [24, 260]]}, {'text': 'J：YM-X-3011', 'confidence': 0.8866629004478455, 'text_box_position': [[110, 239], [239, 239], [239, 256], [110, 256]]}, {'text': 'ODMOEM', 'confidence': 0.9916308522224426, 'text_box_position': [[414, 233], [430, 233], [430, 304], [414, 304]]}, {'text': '【净含量】：220ml', 'confidence': 0.8709315657615662, 'text_box_position': [[23, 268], [181, 268], [181, 292], [23, 292]]}, {'text': '【适用人群】', 'confidence': 0.9589888453483582, 'text_box_position': [[24, 301], [118, 301], [118, 321], [24, 321]]}, {'text': '：适合所有肤质', 'confidence': 0.935418963432312, 'text_box_position': [[131, 300], [254, 300], [254, 323], [131, 323]]}, {'text': '【主要成分】', 'confidence': 0.9366627335548401, 'text_box_position': [[24, 332], [117, 332], [117, 353], [24, 353]]}, {'text': '鲸蜡硬脂醇', 'confidence': 0.9033458828926086, 'text_box_position': [[138, 331], [235, 331], [235, 351], [138, 351]]}, {'text': '燕麦B-葡聚', 'confidence': 0.8497812747955322, 'text_box_position': [[248, 332], [345, 332], [345, 352], [248, 352]]}, {'text': '椰油酰胺丙基甜菜碱、', 'confidence': 0.8935506939888, 'text_box_position': [[54, 363], [232, 363], [232, 383], [54, 383]]}, {'text': '糖、', 'confidence': 0.8750994205474854, 'text_box_position': [[25, 364], [62, 364], [62, 383], [25, 383]]}, {'text': '泛酯', 'confidence': 0.5581164956092834, 'text_box_position': [[244, 363], [281, 363], [281, 382], [244, 382]]}, {'text': '（成品包材）', 'confidence': 0.9566792845726013, 'text_box_position': [[368, 367], [475, 367], [475, 388], [368, 388]]}, {'text': '【主要功能】', 'confidence': 0.9493741393089294, 'text_box_position': [[24, 395], [119, 395], [119, 416], [24, 416]]}, {'text': '：可紧致头发磷层', 'confidence': 0.9692543745040894, 'text_box_position': [[128, 397], [273, 397], [273, 414], [128, 414]]}, {'text': '美，从而达到', 'confidence': 0.8662520051002502, 'text_box_position': [[265, 395], [361, 395], [361, 415], [265, 415]]}, {'text': '即时持久改善头发光泽的效果，给干燥的头', 'confidence': 0.9690631031990051, 'text_box_position': [[25, 425], [372, 425], [372, 448], [25, 448]]}, {'text': '发足够的滋养', 'confidence': 0.8946213126182556, 'text_box_position': [[26, 457], [136, 457], [136, 477], [26, 477]]}]}]
-
-
-
-```shell
-# 查看预测结果
-```
-
-
-![png](../imgs/ocr_res.jpg)
-
-
-### 口罩检测
-
-
-```shell
-# 下载待测试的图片
-$ wget https://paddlehub.bj.bcebos.com/resources/test_mask_detection.jpg
-
-# 通过命令行方式实现文字识别任务
-$ hub run pyramidbox_lite_mobile_mask --input_path test_mask_detection.jpg --visualization=True --output_dir='detection_result'
-```
-
-    --2020-07-22 15:08:11--  https://paddlehub.bj.bcebos.com/resources/test_mask_detection.jpg
-    Resolving paddlehub.bj.bcebos.com (paddlehub.bj.bcebos.com)... 182.61.200.229, 182.61.200.195
-    Connecting to paddlehub.bj.bcebos.com (paddlehub.bj.bcebos.com)|182.61.200.229|:443... connected.
-    HTTP request sent, awaiting response... 200 OK
-    Length: 299133 (292K) [image/jpeg]
-    Saving to: ‘test_mask_detection.jpg’
-
-    test_mask_detection 100%[===================>] 292.12K  --.-KB/s    in 0.06s  
-
-    2020-07-22 15:08:11 (4.55 MB/s) - ‘test_mask_detection.jpg’ saved [299133/299133]
-
-    Install Module pyramidbox_lite_mobile_mask
-    Downloading pyramidbox_lite_mobile_mask
-    [==================================================] 100.00%
-    Uncompress /home/aistudio/.paddlehub/tmp/tmp8oes9jid/pyramidbox_lite_mobile_mask
-    [==================================================] 100.00%
-    Successfully installed pyramidbox_lite_mobile_mask-1.3.0
-    Downloading pyramidbox_lite_mobile
-    [==================================================] 100.00%
-    Uncompress /home/aistudio/.paddlehub/tmp/tmpvhjhlr10/pyramidbox_lite_mobile
-    [==================================================] 100.00%
-    [{'data': [{'label': 'MASK', 'confidence': 0.9992434978485107, 'top': 181, 'bottom': 440, 'left': 457, 'right': 654}, {'label': 'MASK', 'confidence': 0.9224318265914917, 'top': 340, 'bottom': 578, 'left': 945, 'right': 1125}, {'label': 'NO MASK', 'confidence': 0.9996706247329712, 'top': 292, 'bottom': 500, 'left': 1166, 'right': 1323}], 'path': 'test_mask_detection.jpg'}]
-
-
-
-```shell
-# 查看预测结果
-```
-
-
-![png](../imgs/test_mask_detection_result.jpg)
-
-
-### PaddleHub命令行工具简介
-
-PaddleHub的命令行工具在开发时借鉴了Anaconda和PIP等软件包管理的理念，可以方便快捷的完成模型的搜索、下载、安装、升级、预测等功能。 下面概要介绍一下PaddleHub支持的12个命令，详细介绍可查看[命令行参考](../tutorial/cmdintro.md)章节。：
-* install：用于将Module安装到本地，默认安装在{HUB_HOME}/.paddlehub/modules目录下；
-* uninstall：卸载本地Module；
-* show：用于查看本地已安装Module的属性或者指定目录下确定的Module的属性，包括其名字、版本、描述、作者等信息；
-* download：用于下载百度飞桨PaddleHub提供的Module；
-* search：通过关键字在服务端检索匹配的Module，当想要查找某个特定模型的Module时，使用search命令可以快速得到结果，例如hub search ssd命令，会查找所有包含了ssd字样的Module，命令支持正则表达式，例如hub search ^s.\*搜索所有以s开头的资源；
-* list：列出本地已经安装的Module；
-* run：用于执行Module的预测；
-* version：显示PaddleHub版本信息；
-* help：显示帮助信息；
-* clear：PaddleHub在使用过程中会产生一些缓存数据，这部分数据默认存放在${HUB_HOME}/.paddlehub/cache目录下，用户可以通过clear命令来清空缓存；
-* autofinetune：用于自动调整Fine-tune任务的超参数，具体使用详情参考[PaddleHub AutoDL Finetuner](https://github.com/PaddlePaddle/PaddleHub/blob/release/v1.5/docs/tutorial/autofinetune.md)使用教程；
-* config：用于查看和设置Paddlehub相关设置，包括对server地址、日志级别的设置；
-* serving：用于一键部署Module预测服务，详细用法见[PaddleHub Serving一键服务部署](https://github.com/PaddlePaddle/PaddleHub/blob/release/v1.5/docs/tutorial/serving.md)。
-
-## 小结
-PaddleHub的产品理念是模型即软件，通过Python API或命令行实现模型调用，可快速体验或集成飞桨特色预训练模型。
-此外，当用户想用少量数据来优化预训练模型时，PaddleHub也支持迁移学习，通过Fine-tune API，内置多种优化策略，只需少量代码即可完成预训练模型的Fine-tuning。具体可通过后面迁移学习的章节了解。
->值得注意的是，不是所有的Module都支持通过命令行预测 (例如BERT/ERNIE Transformer类模型，一般需要搭配任务进行Fine-tune)， 也不是所有的Module都可用于Fine-tune（例如一般不建议用户使用词法分析LAC模型Fine-tune）。建议提前阅读[预训练模型的介绍文档](https://www.paddlepaddle.org.cn/hublist)了解使用场景。

docs/docs_ch/quick_experience/python_use_hub.md

-# 通过Python代码调用方式使用PaddleHub
-
-本页面的代码/命令可在[AIStudio](https://aistudio.baidu.com/aistudio/projectdetail/635335)上在线运行，类似notebook的环境，只需通过浏览器即可访问，无需准备环境，非常方便开发者快速体验。
-
-## 计算机视觉任务的PaddleHub示例
-先以计算机视觉任务为例，我们选用一张测试图片test.jpg，分别实现如下四项功能：
-* 人像扣图（[deeplabv3p_xception65_humanseg](https://www.paddlepaddle.org.cn/hubdetail?name=deeplabv3p_xception65_humanseg&en_category=ImageSegmentation)）
-* 人体部位分割（[ace2p](https://www.paddlepaddle.org.cn/hubdetail?name=ace2p&en_category=ImageSegmentation)）
-
-* 人脸检测（[ultra_light_fast_generic_face_detector_1mb_640](https://www.paddlepaddle.org.cn/hubdetail?name=ultra_light_fast_generic_face_detector_1mb_640&en_category=FaceDetection)）
-* 关键点检测（[human_pose_estimation_resnet50_mpii](https://www.paddlepaddle.org.cn/hubdetail?name=human_pose_estimation_resnet50_mpii&en_category=KeyPointDetection)）
-
->注：如果需要查找PaddleHub中可以调用哪些预训练模型，获取模型名称（如deeplabv3p_xception65_humanseg，后续代码中通过该名称调用模型），请参考[官网文档](https://www.paddlepaddle.org.cn/hublist)，文档中已按照模型类别分好类，方便查找，并且提供了详细的模型介绍。
-
-
-### 体验前请提前安装好PaddleHub
-
-
-```shell
-# 安装最新版本，使用清华源更稳定、更迅速
-$ pip install paddlehub --upgrade -i https://pypi.tuna.tsinghua.edu.cn/simple
-```
-
-### 原图展示
-
-
-```shell
-# 下载待测试图片
-$ wget https://paddlehub.bj.bcebos.com/resources/test_image.jpg
-```
-
-    --2020-07-22 12:22:19--  https://paddlehub.bj.bcebos.com/resources/test_image.jpg
-    Resolving paddlehub.bj.bcebos.com (paddlehub.bj.bcebos.com)... 182.61.200.195, 182.61.200.229
-    Connecting to paddlehub.bj.bcebos.com (paddlehub.bj.bcebos.com)|182.61.200.195|:443... connected.
-    HTTP request sent, awaiting response... 200 OK
-    Length: 967120 (944K) [image/jpeg]
-    Saving to: ‘test_image.jpg.1’
-
-    test_image.jpg.1    100%[===================>] 944.45K  5.51MB/s    in 0.2s  
-
-    2020-07-22 12:22:19 (5.51 MB/s) - ‘test_image.jpg.1’ saved [967120/967120]
-
-
-
-
-![png](../imgs/humanseg_test.png)
-
-
-### 人像扣图
-
-PaddleHub采用模型即软件的设计理念，所有的预训练模型与Python软件包类似，具备版本的概念，通过`hub install`、`hub uninstall`命令可以便捷地完成模型的安装、升级和卸载。
-> 使用如下命令默认下载最新版本的模型，如果需要指定版本，可在后面接版本号，如`==1.1.1`。
-
-
-```shell
-#安装预训练模型，deeplabv3p_xception65_humanseg是模型名称
-$ hub install deeplabv3p_xception65_humanseg
-```
-
-    Downloading deeplabv3p_xception65_humanseg
-    [==================================================] 100.00%
-    Uncompress /home/aistudio/.paddlehub/tmp/tmpo32jeve0/deeplabv3p_xception65_humanseg
-    [==================================================] 100.00%
-    Successfully installed deeplabv3p_xception65_humanseg-1.1.1
-
-
-
-```python
-# 导入paddlehub库
-import paddlehub as hub
-# 指定模型名称、待预测的图片路径、输出结果的路径，执行并输出预测结果
-module = hub.Module(name="deeplabv3p_xception65_humanseg")
-res = module.segmentation(paths = ["./test_image.jpg"], visualization=True, output_dir='humanseg_output')
-```
-
-    [32m[2020-07-22 12:22:49,474] [    INFO] - Installing deeplabv3p_xception65_humanseg module [0m
-
-
-    Downloading deeplabv3p_xception65_humanseg
-    [==================================================] 100.00%
-    Uncompress /home/aistudio/.paddlehub/tmp/tmpzrrl1duq/deeplabv3p_xception65_humanseg
-    [==================================================] 100.00%
-
-
-    [32m[2020-07-22 12:23:11,811] [    INFO] - Successfully installed deeplabv3p_xception65_humanseg-1.1.1 [0m
-
-
-
-![png](../imgs/output_8_3.png)
-
-
-可以看到，使用Python代码调用PaddleHub只需要三行代码即可实现：
-```
-import paddlehub as hub   # 导入PaddleHub代码库
-module = hub.Module(name="deeplabv3p_xception65_humanseg")    # 指定模型名称
-res = module.segmentation(paths = ["./test.jpg"], visualization=True, output_dir='humanseg_output')  # 指定模型的输入和输出路径，执行并输出预测结果，其中visualization=True表示将结果可视化输出
-```
-* 模型名称均通过`hub.Module` API来指定；
-* `module.segmentation`用于执行图像分割类的预测任务，不同类型任务设计了不同的预测API，比如人脸检测任务采用`face_detection`函数执行预测，建议调用预训练模型之前先仔细查阅对应的模型介绍文档。
-* 预测结果保存在`output_dir='humanseg_output'`目录下，可以到该路径下查看输出的图片。
-
-其他任务的实现方式，均可参考这个“套路”。看一下接下来几个任务如何实现。
-
-### 人体部位分割
-
-
-```shell
-#安装预训练模型
-$ hub install ace2p
-```
-
-    /opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/sklearn/externals/joblib/externals/cloudpickle/cloudpickle.py:47: DeprecationWarning: the imp module is deprecated in favour of importlib; see the module's documentation for alternative uses
-      import imp
-    Downloading ace2p
-    [==================================================] 100.00%
-    Uncompress /home/aistudio/.paddlehub/tmp/tmpfsovt3f8/ace2p
-    [==================================================] 100.00%
-    Successfully installed ace2p-1.1.0
-
-
-
-```python
-# 导入paddlehub库
-import paddlehub as hub
-# 指定模型名称、待预测的图片路径、输出结果的路径，执行并输出预测结果
-module = hub.Module(name="ace2p")
-res = module.segmentation(paths = ["./test_image.jpg"], visualization=True, output_dir='ace2p_output')
-```
-
-    [32m[2020-07-22 12:23:58,027] [    INFO] - Installing ace2p module [0m
-
-
-    Downloading ace2p
-    [==================================================] 100.00%
-    Uncompress /home/aistudio/.paddlehub/tmp/tmptrogpj6j/ace2p
-    [==================================================] 100.00%
-
-
-    [32m[2020-07-22 12:24:22,575] [    INFO] - Successfully installed ace2p-1.1.0 [0m
-
-
-
-![png](../imgs/output_12_3.png)
-
-
-### 人脸检测
-
-
-```shell
-#安装预训练模型
-$ hub install ultra_light_fast_generic_face_detector_1mb_640
-```
-
-    Downloading ultra_light_fast_generic_face_detector_1mb_640
-    [==================================================] 100.00%
-    Uncompress /home/aistudio/.paddlehub/tmp/tmpz82xnmy6/ultra_light_fast_generic_face_detector_1mb_640
-    [==================================================] 100.00%
-    Successfully installed ultra_light_fast_generic_face_detector_1mb_640-1.1.2
-
-
-
-```python
-# 导入paddlehub库
-import paddlehub as hub
-# 指定模型名称、待预测的图片路径、输出结果的路径，执行并输出预测结果
-module = hub.Module(name="ultra_light_fast_generic_face_detector_1mb_640")
-res = module.face_detection(paths = ["./test_image.jpg"], visualization=True, output_dir='face_detection_output')
-```
-
-    [32m[2020-07-22 12:25:12,948] [    INFO] - Installing ultra_light_fast_generic_face_detector_1mb_640 module [0m
-
-
-    Downloading ultra_light_fast_generic_face_detector_1mb_640
-    [==================================================] 100.00%
-    Uncompress /home/aistudio/.paddlehub/tmp/tmpw44mo56p/ultra_light_fast_generic_face_detector_1mb_640
-    [==================================================] 100.00%
-
-
-    [32m[2020-07-22 12:25:14,698] [    INFO] - Successfully installed ultra_light_fast_generic_face_detector_1mb_640-1.1.2
-
-
-
-![png](../imgs/output_15_3.png)
-
-
-### 关键点检测
-
-
-```shell
-#安装预训练模型
-$ hub install human_pose_estimation_resnet50_mpii
-```
-
-    /opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/sklearn/externals/joblib/externals/cloudpickle/cloudpickle.py:47: DeprecationWarning: the imp module is deprecated in favour of importlib; see the module's documentation for alternative uses
-      import imp
-    Downloading human_pose_estimation_resnet50_mpii
-    [==================================================] 100.00%
-    Uncompress /home/aistudio/.paddlehub/tmp/tmpn_ppwkzq/human_pose_estimation_resnet50_mpii
-    [========                                          ] 17.99%
-
-
-```python
-# 导入paddlehub库
-import paddlehub as hub
-# 指定模型名称、待预测的图片路径、输出结果的路径，执行并输出预测结果
-module = hub.Module(name="human_pose_estimation_resnet50_mpii")
-res = module.keypoint_detection(paths = ["./test_image.jpg"], visualization=True, output_dir='keypoint_output')
-```
-
-    [32m[2020-07-23 11:27:33,989] [    INFO] - Installing human_pose_estimation_resnet50_mpii module [0m
-    [32m[2020-07-23 11:27:33,992] [    INFO] - Module human_pose_estimation_resnet50_mpii already installed in /home/aistudio/.paddlehub/modules/human_pose_estimation_resnet50_mpii [0m
-
-
-    image saved in keypoint_output/test_imagetime=1595474855.jpg
-
-
-
-![png](../imgs/output_18_2.png)
-
-
-## 自然语言处理任务的PaddleHub示例
-
-再看两个自然语言处理任务的示例，下面以中文分词和情感分类的任务为例介绍。
-* 中文分词（[lac](https://www.paddlepaddle.org.cn/hubdetail?name=lac&en_category=LexicalAnalysis)）
-* 情感分析（[senta_bilstm](https://www.paddlepaddle.org.cn/hubdetail?name=senta_bilstm&en_category=SentimentAnalysis)）
-
-### 中文分词
-
-
-```shell
-#安装预训练模型
-$ hub install lac
-```
-
-    2020-07-22 10:03:09,866-INFO: font search path ['/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/mpl-data/fonts/ttf', '/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/mpl-data/fonts/afm', '/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/mpl-data/fonts/pdfcorefonts']
-    2020-07-22 10:03:10,208-INFO: generated new fontManager
-    Downloading lac
-    [==================================================] 100.00%
-    Uncompress /home/aistudio/.paddlehub/tmp/tmp8ukaz690/lac
-    [==================================================] 100.00%
-    Successfully installed lac-2.1.1
-
-
-
-```python
-# 导入paddlehub库
-import paddlehub as hub
-# 指定模型名称、待分词的文本，执行并输出预测结果
-lac = hub.Module(name="lac")
-test_text = ["1996年，曾经是微软员工的加布·纽维尔和麦克·哈灵顿一同创建了Valve软件公司。他们在1996年下半年从id software取得了雷神之锤引擎的使用许可，用来开发半条命系列。"]
-res = lac.lexical_analysis(texts = test_text)
-# 打印预测结果
-print("中文词法分析结果：", res)
-```
-
-    [32m[2020-07-22 10:03:18,439] [    INFO] - Installing lac module[0m
-    [32m[2020-07-22 10:03:18,531] [    INFO] - Module lac already installed in /home/aistudio/.paddlehub/modules/lac [0m
-
-
-    中文词法分析结果： [{'word': ['1996年', '，', '曾经', '是', '微软', '员工', '的', '加布·纽维尔', '和', '麦克·哈灵顿', '一同', '创建', '了', 'Valve软件公司', '。', '他们', '在', '1996年下半年', '从', 'id', ' ', 'software', '取得', '了', '雷神之锤', '引擎', '的', '使用', '许可', '，', '用来', '开发', '半条命', '系列', '。'], 'tag': ['TIME', 'w', 'd', 'v', 'ORG', 'n', 'u', 'PER', 'c', 'PER', 'd', 'v', 'u', 'ORG', 'w', 'r', 'p', 'TIME', 'p', 'nz', 'w', 'n', 'v', 'u', 'n', 'n', 'u', 'vn', 'vn', 'w', 'v', 'v', 'n', 'n', 'w']}]
-
-
-可以看到，与计算机视觉任务相比，输入和输出接口（这里需要输入文本，以函数参数的形式传入）存在差异，这与任务类型相关，具体可查看对应预训练模型的API介绍。
-
-### 情感分类
-
-
-```shell
-#安装预训练模型
-$ hub install senta_bilstm
-```
-
-    Module senta_bilstm-1.1.0 already installed in /home/aistudio/.paddlehub/modules/senta_bilstm
-
-
-
-```python
-import paddlehub as hub
-senta = hub.Module(name="senta_bilstm")
-test_text = ["味道不错，确实不算太辣，适合不能吃辣的人。就在长江边上，抬头就能看到长江的风景。鸭肠、黄鳝都比较新鲜。"]
-res = senta.sentiment_classify(texts = test_text)
-
-print("情感分析结果：", res)
-```
-
-    [32m[2020-07-22 10:34:06,922] [    INFO] - Installing senta_bilstm module [0m
-    [32m[2020-07-22 10:34:06,984] [    INFO] - Module senta_bilstm already installed in /home/aistudio/.paddlehub/modules/senta_bilstm
-    [32m[2020-07-22 10:34:08,937] [    INFO] - Installing lac module[0m
-    [32m[2020-07-22 10:34:08,939] [    INFO] - Module lac already installed in /home/aistudio/.paddlehub/modules/lac [0m
-
-
-    情感分析结果： [{'text': '味道不错，确实不算太辣，适合不能吃辣的人。就在长江边上，抬头就能看到长江的风景。鸭肠、黄鳝都比较新鲜。', 'sentiment_label': 1, 'sentiment_key': 'positive', 'positive_probs': 0.9771, 'negative_probs': 0.0229}]
-
-
-## 总结
-PaddleHub提供了丰富的预训练模型，包括图像分类、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，只需要3行Python代码即可快速调用，即时输出预测结果，非常方便。您可以尝试一下，从[预训练模型列表](https://www.paddlepaddle.org.cn/hublist)中选择一些模型体验一下。

docs/docs_ch/quick_experience/quick_index.rst

-快速体验
-==================
-
-PaddleHub有两种使用方式：Python代码调用和命令行调用。
-
-命令行方式只需要一行命令即可快速体验PaddleHub提供的预训练模型的效果，是快速体验的绝佳选择；Python代码调用方式也仅需要三行代码，如果需要使用自己的数据Fine-tune并生成模型，则采用该方式。
-
-命令行示例：
-::
-	$ hub run chinese_ocr_db_crnn_mobile --input_path test_ocr.jpg
-
-Python代码示例：  
-::
-    import paddlehub as hub
-    ocr = hub.Module(name="chinese_ocr_db_crnn_mobile")
-    result = ocr.recognize_text(paths = "./test_image.jpg"], visualization=True, output_dir='ocr_output')
-
-样例结果示例：  
-  
-.. image:: ../imgs/ocr_res.jpg
-
-
-本章节提供这两种方法的快速体验方法，方便快速上手，同时提供了丰富的体验Demo，覆盖多场景领域，欢迎体验。具体使用时，当然还需要进一步了解详细的API接口参数、命令行参数解释，可参考后面的Python API接口和命令行参考章节。
-
-..  toctree::
-    :maxdepth: 1
-
-    通过命令行调用方式使用PaddleHub<cmd_quick_run>
-    通过Python代码调用方式使用PaddleHub<python_use_hub>
-    PaddleHub更多体验Demos<more_demos>
-
-
-

docs/docs_ch/quickstart.md

-# 快速体验
-
-安装PaddleHub成功后，执行命令[hub run](tutorial/cmdintro.md)，可以快速体验PaddleHub无需代码、一键预测的命令行功能，如下几个示例：
-
-
-## 视觉领域场景体验
-
-
-* 使用[文字识别](https://www.paddlepaddle.org.cn/hublist?filter=en_category&value=TextRecognition)轻量级中文OCR模型chinese_ocr_db_crnn_mobile即可一键快速识别图片中的文字。
-```shell
-$ wget https://paddlehub.bj.bcebos.com/model/image/ocr/test_ocr.jpg
-$ hub run chinese_ocr_db_crnn_mobile --input_path test_ocr.jpg --visualization=True
-```
-
-预测结果图片保存在当前运行路径下ocr_result文件夹中，如下图所示。
-
-![](./imgs/ocr_res.jpg)
-
-
-* 使用[目标检测](https://www.paddlepaddle.org.cn/hublist?filter=en_category&value=ObjectDetection)模型Ultra-Light-Fast-Generic-Face-Detector-1MB对图片进行人脸识别
-```shell
-$ wget https://paddlehub.bj.bcebos.com/resources/test_image.jpg
-$ hub run ultra_light_fast_generic_face_detector_1mb_640 --input_path test_image.jpg
-```
-![](./imgs/face_detection_result.jpeg)
-
-* 使用[目标检测](https://www.paddlepaddle.org.cn/hublist?filter=en_category&value=ObjectDetection)模型pyramidbox_lite_mobile_mask对图片进行口罩检测
-```shell
-$ wget https://paddlehub.bj.bcebos.com/resources/test_mask_detection.jpg
-$ hub run pyramidbox_lite_mobile_mask --input_path test_mask_detection.jpg
-```
-![](./imgs/test_mask_detection_result.jpg)
-
-* 使用[图像分割](https://www.paddlepaddle.org.cn/hublist?filter=en_category&value=ImageSegmentation)模型进行人像扣图和人体部件识别
-
-```shell
-$ 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
-```
-![](./imgs/img_seg_result.jpeg) ![](./imgs/humanseg_test_res.png)
-
-<p align='center'>
- &#8194;&#8194;&#8194&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;ACE2P人体部件分割&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;
- HumanSeg人像分割&#8194;&#8194;&#8194;
-</p>
-
-## NLP领域场景体验
-
-* 使用[词法分析](https://www.paddlepaddle.org.cn/hublist?filter=en_category&value=LexicalAnalysis)模型LAC进行分词
-```shell
-$ hub run lac --input_text "现在，慕尼黑再保险公司不仅是此类行动的倡议者，更是将其大量气候数据整合进保险产品中，并与公众共享大量天气信息，参与到新能源领域的保障中。"
-[{
-    'word': ['现在', '，', '慕尼黑再保险公司', '不仅', '是', '此类', '行动', '的', '倡议者', '，', '更是', '将', '其', '大量', '气候', '数据', '整合', '进', '保险', '产品', '中', '，', '并', '与', '公众', '共享', '大量', '天气', '信息', '，', '参与', '到', '新能源', '领域', '的', '保障', '中', '。'],
-    'tag':  ['TIME', 'w', 'ORG', 'c', 'v', 'r', 'n', 'u', 'n', 'w', 'd', 'p', 'r', 'a', 'n', 'n', 'v', 'v', 'n', 'n', 'f', 'w', 'c', 'p', 'n', 'v', 'a', 'n', 'n', 'w', 'v', 'v', 'n', 'n', 'u', 'vn', 'f', 'w']
-}]
-```
-
-* 使用[情感分析](https://www.paddlepaddle.org.cn/hublist?filter=en_category&value=SentimentAnalysis)模型Senta对句子进行情感预测
-```shell
-$ hub run senta_bilstm --input_text "今天天气真好"
-{'text': '今天天气真好', 'sentiment_label': 1, 'sentiment_key': 'positive', 'positive_probs': 0.9798, 'negative_probs': 0.0202}]
-```
-
-除了上述几类模型外，PaddleHub还发布了图像分类、语义模型、视频分类、图像生成、图像分割、文本审核、关键点检测等业界主流模型，更多PaddleHub已经发布的模型，请前往 [PaddleHub官网](https://www.paddlepaddle.org.cn/hub) 查看

docs/docs_ch/reference/datasets.md

-# Class `hub.datasets.Canvas`
-
-```python
-hub.datasets.Canvas(
-    transforms: Callable,
-    mode: str = 'train')
-```
-
-Dataset for colorization. It contains 1193 and 400 pictures for Monet and Vango paintings style, respectively. We collected data from https://people.eecs.berkeley.edu/~taesung_park/CycleGAN/datasets/.
-
-**Args**
-* transforms(callmethod) : The method of preprocess images.
-* mode(str): The mode for preparing dataset.
-
-# Class `hub.datasets.Flowers`
-
-```python
-hub.datasets.Flowers(
-    transforms: Callable,
-    mode: str = 'train')
-```
-
-Dataset for image classification. It contains 5 categories(roses, tulips, daisy, sunflowers, dandelion) and a total of 3667 pictures, of which 2914 are used for training, 382 are used for verification, and 371 are used for testing.
-
-**Args**
-* transforms(callmethod) : The method of preprocess images.
-* mode(str): The mode for preparing dataset.
-
-# Class `hub.datasets.MiniCOCO`
-
-```python
-hub.datasets.MiniCOCO(
-    transforms: Callable,
-    mode: str = 'train')
-```
-
-Dataset for Style transfer. The dataset contains 2001 images for training set and 200 images for testing set.They are derived form COCO2014. Meanwhile, it contains 21 different style pictures in file "21styles".
-
-**Args**
-* transforms(callmethod) : The method of preprocess images.
-* mode(str): The mode for preparing dataset.
-
-# Class `hub.datasets.OpticDiscSeg`
-
-```python
-hub.datasets.OpticDiscSeg(
-    transforms: Callable,
-    mode: str = 'train')
-```
-
-Dataset for semantic segmentation. The dataset contains 267 images for training set, 76 images for validation set and 38 images for testing set.
-
-**Args**
-* transforms(callmethod) : The method of preprocess images.
-* mode(str): The mode for preparing dataset.
-

docs/docs_ch/reference/datasets_index.rst

-预置数据集
-==================
-
-PaddleHub预置了多种任务的预置数据集，用户可以通过预置数据集进行快速体验。
-
-..  toctree::
-    :maxdepth: 1
-    :titlesonly:
-    
-    hub.datasets.Canvas<datasets/canvas>
-    hub.datasets.Flowers<datasets/flowers>
-    hub.datasets.MiniCOCO<datasets/minicoco>
\ No newline at end of file

docs/docs_ch/reference/finetune.md

-# Class `hub.finetune.Trainer`
-
-```python
-hub.finetune.Trainer(
-    model: paddle.nn.Layer,
-    optimizer: paddle.optimizer.Optimizer,
-    use_vdl: bool = True,
-    checkpoint_dir: str = None,
-    compare_metrics: Callable = None)
-```
-
-Model trainer
-
-**Args**
-* model(paddle.nn.Layer) : Model to train or evaluate.
-* optimizer(paddle.optimizer.Optimizer) : Optimizer for loss.
-* use_vdl(bool) : Whether to use visualdl to record training data.
-* checkpoint_dir(str) : Directory where the checkpoint is saved, and the  trainer will restore the state and model parameters from the checkpoint.
-* compare_metrics(callable) : The method of comparing the model metrics. If not specified, the main metric return by `validation_step` will be used for comparison by default, the larger the value, the better the effect. This method will affect the saving of the best model. If the default behavior does not meet your requirements, please pass in a custom method.
-
-----
-
-```python
-def train(
-    train_dataset: paddle.io.Dataset,
-    epochs: int = 1,
-    batch_size: int = 1,
-    num_workers: int = 0,
-    eval_dataset: paddle.io.Dataset = None,
-    log_interval: int = 10,
-    save_interval: int = 10)
-```
-
-Train a model with specific config.
-
-**Args**
-* train_dataset(paddle.io.Dataset) : Dataset to train the model
-* epochs(int) : Number of training loops, default is 1.
-* batch_size(int) : Batch size of per step, default is 1.
-* num_workers(int) : Number of subprocess to load data, default is 0.
-* eval_dataset(paddle.io.Dataset) : The validation dataset, deafult is None. If set, the Trainer will execute evaluate function every `save_interval` epochs.
-* log_interval(int) : Log the train infomation every `log_interval` steps.
-* save_interval(int) : Save the checkpoint every `save_interval` epochs.
-
-----
-
-```python
-def evaluate(
-    eval_dataset: paddle.io.Dataset,
-    batch_size: int = 1,
-    num_workers: int = 0):
-```
-
-Run evaluation and returns metrics.
-
-**Args**
-* eval_dataset(paddle.io.Dataset) : The validation dataset
-* batch_size(int) : Batch size of per step, default is 1.
-* num_workers(int) : Number of subprocess to load data, default is 0.

docs/docs_ch/reference/module.md

-# Class `hub.Module`
-
-```python
-hub.Module(
-    name: str = None,
-    directory: str = None,
-    version: str = None,
-    source: str = None,
-    update: bool = False,
-    branch: str = None,
-    **kwargs):)
-```
-
-In PaddleHub, Module represents an executable module, which usually a pre-trained model that can be used for end-to-end prediction, such as a face detection model or a lexical analysis model, or a pre-trained model that requires finetuning, such as BERT/ERNIE. When loading a Module with a specified name, if the Module does not exist locally, PaddleHub will automatically request the server or the specified Git source to download the resource.
-
-**Args**
-* name(str): Module name.
-* directory(str|optional): Directory of the module to be loaded, only takes effect when the `name` is not specified.
-* version(str|optional): The version limit of the module, only takes effect when the `name` is specified. When the local Module does not meet the specified version conditions, PaddleHub will re-request the server to download the appropriate Module. Default to None, This means that the local Module will be used. If the Module does not exist, PaddleHub will download the latest version available from the server according to the usage environment.
-* source(str|optional): Url of a git repository. If this parameter is specified, PaddleHub will no longer download the specified Module from the default server, but will look for it in the specified repository. Default to None.
-* update(bool|optional): Whether to update the locally cached git repository, only takes effect when the `source` is specified. Default to False.
-* branch(str|optional): The branch of the specified git repository. Default to None.

docs/docs_ch/reference/ref_index.rst

-参考
-==================
-
-以下介绍了PaddleHub 数据集(datasets)、训练器(finetune.Trainer)、预训练模型(Module)、数据增强模块(vision.transforms)等API介绍。
-
-..  toctree::
-    :maxdepth: 1
-    
-    hub.datasets<datasets_index>
-    hub.finetune.Trainer<finetune>
-    hub.Module<module>
-    hub.vision.transforms<vision>
\ No newline at end of file

docs/docs_ch/reference/vision.md

-# Class `hub.vision.transforms.Compose`
-
-```python
-hub.vision.transforms.Compose(
-    transforms: Callable,
-    to_rgb: bool = False)
-```
-
-Compose preprocessing operators for obtaining prepocessed data. The shape of input image for all operations is [H, W, C], where `H` is the image height, `W` is the image width, and `C` is the number of image channels.
-
-**Args**
-* transforms(callmethod) : The method of preprocess images.
-* to_rgb(bool): Whether to transform the input from BGR mode to RGB mode, default is False.
-
-
-# Class `hub.vision.transforms.RandomHorizontalFlip`
-
-```python
-hub.vision.transforms.RandomHorizontalFlip(prob: float = 0.5)
-```
-
-Randomly flip the image horizontally according to given probability.
-
-**Args**
-
-* prob(float): The probability for flipping the image horizontally, default is 0.5.
-
-
-# Class `hub.vision.transforms.RandomVerticalFlip`
-
-```python
-hub.vision.transforms.RandomVerticalFlip(
-    prob: float = 0.5)
-```
-
-Randomly flip the image vertically according to given probability.
-
-**Args**
-
-* prob(float): The probability for flipping the image vertically, default is 0.5.
-
-
-# Class `hub.vision.transforms.Resize`
-
-```python
-hub.vision.transforms.Resize(
-    target_size: Union[List[int], int],
-    interpolation: str = 'LINEAR')
-```
-
-Resize input image to target size.
-
-**Args**
-
-* target_size(List[int]|int]): Target image size.
-* interpolation(str): Interpolation mode, default is 'LINEAR'. It support 6 modes: 'NEAREST', 'LINEAR', 'CUBIC', 'AREA', 'LANCZOS4' and 'RANDOM'.
-
-
-# Class `hub.vision.transforms.ResizeByLong`
-
-```python
-hub.vision.transforms.ResizeByLong(long_size: int)
-```
-
-Resize the long side of the input image to the target size.
-
-**Args**
-
-* long_size(int|list[int]): The target size of long side.
-
-
-# Class `hub.vision.transforms.ResizeRangeScaling`
-
-```python
-hub.vision.transforms.ResizeRangeScaling(
-    min_value: int = 400,
-    max_value: int = 600)
-```
-
-Randomly select a targeted size to resize the image according to given range.
-
-**Args**
-
-* min_value(int): The minimum value for targeted size.
-* max_value(int): The maximum value for targeted size.
-
-
-# Class `hub.vision.transforms.ResizeStepScaling`
-
-```python
-hub.vision.transforms.ResizeStepScaling(
-    min_scale_factor: float = 0.75,
-    max_scale_factor: float = 1.25,
-    scale_step_size: float = 0.25)
-```
-
-Randomly select a scale factor to resize the image according to given range.
-
-**Args**
-
-* min_scale_factor(float): The minimum scale factor for targeted scale.
-* max_scale_factor(float): The maximum scale factor for targeted scale.
-* scale_step_size(float): Scale interval.
-
-
-# Class `hub.vision.transforms.Normalize`
-
-```python
-hub.vision.transforms.Normalize(
-    mean: list = [0.5, 0.5, 0.5],
-    std: list =[0.5, 0.5, 0.5])
-```
-
-Normalize the input image.
-
-**Args**
-
-* mean(list): Mean value for normalization.
-* std(list): Standard deviation for normalization.
-
-
-# Class `hub.vision.transforms.Padding`
-
- ```python
- hub.vision.transforms.Padding(
-    target_size: Union[List[int], Tuple[int], int],
-    im_padding_value: list = [127.5, 127.5, 127.5])
- ```
-
- Padding input into targeted size according to specific padding value.
-
- **Args**
-
-* target_size(Union[List[int], Tuple[int], int]): Targeted image size.
-* im_padding_value(list): Border value for 3 channels, default is [127.5, 127.5, 127.5].
-
-
-# Class `hub.vision.transforms.RandomPaddingCrop`
-
- ```python
- hub.vision.transforms.RandomPaddingCrop(
-    crop_size(Union[List[int], Tuple[int], int]),
-    im_padding_value: list = [127.5, 127.5, 127.5])
- ```
-
- Padding input image if crop size is greater than image size. Otherwise, crop the input image to given size.
-
- **Args**
-
-* crop_size(Union[List[int], Tuple[int], int]): Targeted image size.
-* im_padding_value(list): Border value for 3 channels, default is [127.5, 127.5, 127.5].
-
-
-# Class `hub.vision.transforms.RandomBlur`
-
- ```python
- hub.vision.transforms.RandomBlur(prob: float = 0.1)
- ```
-
- Random blur input image by Gaussian filter according to given probability.
-
- **Args**
-
-* prob(float): The probability to blur the image, default is 0.1.
-
-
-# Class `hub.vision.transforms.RandomRotation`
-
- ```python
- hub.vision.transforms.RandomRotation(
-     max_rotation: float = 15.,
-     im_padding_value: list = [127.5, 127.5, 127.5])
- ```
-
- Rotate the input image at random angle. The angle will not exceed to max_rotation.
-
- **Args**
-
-* max_rotation(float): Upper bound of rotation angle.
-* im_padding_value(list): Border value for 3 channels, default is [127.5, 127.5, 127.5].
-
-
-# Class `hub.vision.transforms.RandomDistort`
-
- ```python
- hub.vision.transforms.RandomDistort(
-     brightness_range: float = 0.5,
-     brightness_prob: float = 0.5,
-     contrast_range: float = 0.5,
-     contrast_prob: float = 0.5,
-     saturation_range: float = 0.5,
-     saturation_prob: float = 0.5,
-     hue_range: float= 18.,
-     hue_prob: float= 0.5)
- ```
-
- Random adjust brightness, contrast, saturation and hue according to the given random range and probability, respectively.
-
- **Args**
-
-* brightness_range(float): Boundary of brightness.
-* brightness_prob(float): Probability for disturb the brightness of image.
-* contrast_range(float): Boundary of contrast.
-* contrast_prob(float): Probability for disturb the contrast of image.
-* saturation_range(float): Boundary of saturation.
-* saturation_prob(float): Probability for disturb the saturation of image.
-* hue_range(float): Boundary of hue.
-* hue_prob(float): Probability for disturb the hue of image.
-
-
-# Class `hub.vision.transforms.RGB2LAB`
-
- ```python
- hub.vision.transforms.RGB2LAB()
- ```
-
- Convert color space from RGB to LAB.
-
-
-# Class `hub.vision.transforms.LAB2RGB`
-
- ```python
- hub.vision.transforms.LAB2RGB()
- ```
-
- Convert color space from LAB to RGB.
-
-
-# Class `hub.vision.transforms.CenterCrop`
-
- ```python
- hub.vision.transforms.CenterCrop(crop_size: int)
- ```
-
- Crop the middle part of the image to the specified size.
-
- **Args**
-
-* crop_size(int): Target size for croped image.

docs/docs_ch/transfer_learning_index.rst

+==================
+迁移学习
+==================
+
+迁移学习 (Transfer Learning) 是属于深度学习的一个子研究领域，该研究领域的目标在于利用数据、任务、或模型之间的相似性，将在旧领域学习过的知识，迁移应用于新领域中。通俗的来讲，迁移学习就是运用已有的知识来学习新的知识，例如学会了骑自行车的人也能较快的学会骑电动车。较为常用的一种迁移学习方式是利用预训练模型进行微调，即用户基于当前任务的场景从PaddleHub中选择已训练成功的模型进行新任务训练，且该模型曾经使用的数据集与新场景的数据集情况相近，此时仅需要在当前任务场景的训练过程中使用新场景的数据对模型参数进行微调（**Fine-tune**），即可完成训练任务。迁移学习吸引了很多研究者投身其中，因为它能够很好的解决深度学习中的以下几个问题：  
+
+* 一些研究领域只有少量标注数据，且数据标注成本较高，不足以训练一个足够鲁棒的神经网络。
+* 大规模神经网络的训练依赖于大量的计算资源，这对于一般用户而言难以实现。
+* 应对于普适化需求的模型，在特定应用上表现不尽如人意。  
+
+为了让开发者更便捷地应用迁移学习，飞桨开源了预训练模型管理工具 PaddleHub。开发者仅仅使用十余行的代码，就能完成迁移学习。本文将为读者全面介绍使用PaddleHub完成迁移学习的方法。
+
+.. image:: ../imgs/paddlehub_finetune.gif 
+   :width: 900px
+   :align: center
+
+.. toctree::
+   :maxdepth: 2
+
+   finetune/sequence_labeling.md
+   finetune/text_matching.md
+   finetune/image_classification.md
+   finetune/image_colorization.md
+   finetune/style_transfer.md
+   finetune/semantic_segmentation.md
+   finetune/audio_classification.md
\ No newline at end of file

docs/docs_ch/tutorial/Serving_index.rst

-部署预训练模型
-==================
-
-本文介绍了如何生成可用于服务化部署的模型、如何实现服务化部署以及如何获取ERNIE/BERT Embedding服务的方法。
-
-
-详细信息，参考以下教程：
-
-..  toctree::
-    :maxdepth: 1
-
-    Fine-tune模型转化为PaddleHub Module<finetuned_model_to_module.md>
-    服务化部署<serving>
-    文本Embedding服务<bert_service>
-    

docs/docs_ch/tutorial/bert_service.md

-# Bert Service  
-## 简介
-### 为什么使用Bert Service
-开发者在进行NLP（自然语言处理）的时候常常需要获取文本的embedding（词向量），需要专门编写相应代码，且只能在本地进行。使用`Bert Service`能够将此过程转化为远程调用API，完成远程获取embedding。
-### 什么是Bert Service
-`Bert Service`是基于[Paddle Serving](https://github.com/PaddlePaddle/Serving)框架的快速部署模型远程计算服务方案，可将获取embedding的过程通过调用API接口的方式实现，减少了对机器资源的依赖。使用PaddleHub可在服务器上一键部署`Bert Service`服务，在另外的普通机器上通过客户端接口即可轻松的获取文本对应的embedding数据。  
-
-整体流程图如下：  
-
-![](../imgs/bs.png)
-
-
-### Bert Service的特点
-使用`Bert Service`能够帮助开发者在限制性较强的环境中有效获取embedding，常用于以下情景：  
-* 算力有限的集群环境中，可利用一台或几台高性能机器部署`Bert Service`服务端，为全部机器提供在线embedding功能。  
-
-* 实际的生产服务器不适宜承担大批量embedding工作，通过API接口可减少资源占用。  
-
-* 专注下游深度学习任务，可利用PaddleHub的`Bert Service`大幅减少embedding代码。  
-
-`Bert Service`具有几个突出的优点：  
-
-* 代码精短，易于使用。简单的pip安装方式，服务端仅需一行命令即可启动，客户端仅需一行代码即可获取embedding结果。  
-
-* 更高性能，更高效率。通过Paddle AnalysisPredictor API对模型的计算图进行优化，提升了计算速度并减小了显存占用。
-
-* 随"机"应变，灵活扩展。可根据机器资源选择不同数量的服务端，并根据实际需求快速、灵活地进行增减，同时支持各张显卡执行不同的模型计算任务。  
-
-* 删繁就简，专注任务。`Bert Service`基于PaddlePaddle和PaddleHub开发，将模型的下载和安装等管理工作交由PaddleHub，开发者可以专注于主要任务，还可以无缝对接PaddleHub继续进行文本分类、序列标注等下游任务。
-
-使用Bert Service搭建服务主要分为下面三个步骤：
-
-## Step1：准备环境
-### 环境要求  
-下表是使用`Bert Service`的环境要求，带有*号标志项为非必需依赖，可根据实际使用需求选择安装。  
-
-|项目|版本|说明|  
-|:-:|:-:|:-:|  
-|操作系统|Linux|目前仅支持Linux操作系统|  
-|PaddleHub|>=1.4.0|无|  
-|PaddlePaddle|>=1.6.1|若使用GPU计算，则对应使用PaddlePaddle-gpu版本|  
-|GCC|>=4.8|无|  
-|paddle-gpu-serving*|>=0.8.2|在`Bert Service`服务端需依赖此包|  
-|ujson*|>=1.35|在`Bert Service`客户端需依赖此包|  
-
-### 安装步骤
-a) 安装PaddlePaddle，利用pip下载CPU版本命令如下。GPU版本、Docker方式安装等其他更具体的安装过程见[开始使用PaddlePaddle](https://paddlepaddle.org.cn/install/quick)
-```shell
-$ # 安装paddlepaddle的CPU版本
-$ pip install paddlepaddle
-```
-b) 安装PaddleHub
-```shell
-$ pip install paddlehub
-```
-c) server端，需另外安装`paddle-gpu-serving`，以获取快速部署服务的能力
-```shell
-$ pip install paddle-gpu-serving
-```  
-d) client端，需另外安装ujson
-```shell
-$ pip install ujson
-```
-
-
-### 支持模型
-目前`Bert Service`支持的语义模型如下表，可根据需要选择模型进行部署embedding服务，未来还将支持更多模型。  
-
-|模型|网络|
-|:-|:-:|
-|[ernie](https://paddlepaddle.org.cn/hubdetail?name=ERNIE&en_category=SemanticModel)|ERNIE|
-|[ernie_tiny](https://paddlepaddle.org.cn/hubdetail?name=ernie_tiny&en_category=SemanticModel)|ERNIE tiny|
-|[ernie_v2_eng_large](https://paddlepaddle.org.cn/hubdetail?name=ernie_v2_eng_large&en_category=SemanticModel)|ERNIE 2.0|
-|[ernie_v2_eng_base](https://paddlepaddle.org.cn/hubdetail?name=ernie_v2_eng_base&en_category=SemanticModel)|ERNIE 2.0|
-|[roberta_wwm_ext_chinese_L-12_H-768_A-12](https://paddlepaddle.org.cn/hubdetail?name=roberta_wwm_ext_chinese_L-12_H-768_A-12&en_category=SemanticModel)|BERT|
-|[roberta_wwm_ext_chinese_L-24_H-1024_A-16](https://paddlepaddle.org.cn/hubdetail?name=roberta_wwm_ext_chinese_L-24_H-1024_A-16&en_category=SemanticModel)|BERT|
-|[bert_wwm_ext_chinese_L-12_H-768_A-12](https://paddlepaddle.org.cn/hubdetail?name=bert_wwm_ext_chinese_L-12_H-768_A-12&en_category=SemanticModel)|BERT|
-|[bert_uncased_L-12_H-768_A-12](https://paddlepaddle.org.cn/hubdetail?name=bert_uncased_L-12_H-768_A-12&en_category=SemanticModel)|BERT|
-|[bert_uncased_L-24_H-1024_A-16](https://paddlepaddle.org.cn/hubdetail?name=bert_uncased_L-24_H-1024_A-16&en_category=SemanticModel)|BERT|
-|[bert_cased_L-12_H-768_A-12](https://paddlepaddle.org.cn/hubdetail?name=bert_cased_L-12_H-768_A-12&en_category=SemanticModel)|BERT|
-|[bert_cased_L-24_H-1024_A-16](https://paddlepaddle.org.cn/hubdetail?name=bert_cased_L-24_H-1024_A-16&en_category=SemanticModel)|BERT|
-|[bert_multi_cased_L-12_H-768_A-12](https://paddlepaddle.org.cn/hubdetail?name=bert_multi_cased_L-12_H-768_A-12&en_category=SemanticModel)|BERT|
-|[bert_chinese_L-12_H-768_A-12](https://paddlepaddle.org.cn/hubdetail?name=bert_chinese_L-12_H-768_A-12&en_category=SemanticModel)|BERT|
-
-
-## Step2：启动服务端(server)
-### 简介
-server端接收client端发送的数据，执行模型计算过程并将计算结果返回给client端。  
-
-server端启动时会按照指定的模型名称从PaddleHub获取对应的模型文件进行加载，无需提前下载模型或指定模型路径，对模型的管理工作由PaddleHub负责。在加载模型后在指定的端口启动`BRPC`服务，保持端口监听，当接收到数据后便执行模型计算，并将计算结果通过`BRPC`返回并发送至client端。
-
-### 启动  
-使用PaddleHub的命令行工具可一键启动`Bert Service`，命令如下：
-```shell
-$ hub serving start bert_service -m ernie_tiny -p 8866 --use_gpu --gpu 0
-```
-启动成功则显示  
-```shell
-Server[baidu::paddle_serving::predictor::bert_service::BertServiceImpl] is serving on port=8866.
-```
-[整个启动过程动态图](https://github.com/ShenYuhan/ml-python/blob/master/short_start_fast.gif)
-
-
-其中各参数说明如下表：
-
-<div align="center">
-
-|参数|说明|是否必填|  
-|:--:|:--:|:----:|  
-|hub serving start bert_service|启动`Bert Service`服务端。|必填项|  
-|--module/-m|指定启动的模型，如果指定的模型不存在，则自动通过PaddleHub下载指定模型。|必填项|  
-|--port/-p|指定启动的端口，每个端口对应一个模型，可基于不同端口进行多次启动，以实现多个模型的服务部署。|必填项|  
-|--use_gpu|若指定此项则使用GPU进行工作，反之仅使用CPU。注意需安装GPU版本的PaddlePaddle。|非必填项，默认为不指定|  
-|--gpu|指定使用的GPU卡号，如未指定use_gpu则填写此项无效，每个服务对应一张卡，部署多个服务时需指定不同卡|非必填项，默认为0号显卡|  
-
-</div>
-
-### 关闭
-通过在启动服务端的命令行页面使用Ctrl+C终止`Bert Service`运行，关闭成功则显示：
-```shell
-Paddle Inference Server exit successfully!
-```
-
-
-## Step3：启动客户端(client)  
-### 简介
-client端接收文本数据，并获取server端返回的模型计算的embedding结果。  
-
-client端利用PaddleHub的语义理解任务将原始文本按照不同模型的数据预处理方案将文本ID化，并生成对应的sentence type、position、input masks数据，将这些信息封装成json数据，通过http协议按照指定的IP端口信息发送至server端，等待并获取模型生成结果。
-### 启动
-服务端类BSClient初始化方法原型为：
-```python
-BSClient.__init__(self,
-             module_name,
-             server,
-             max_seq_len=20,
-             show_ids=False,
-             do_lower_case=True,
-             retry=3)
-# 获取embedding方法原型为
-BSClient.get_result(self, input_text)  
-```  
-其中各参数说明如下表：  
-
-|参数|说明|类型|样例|  
-|:--:|:--:|:--:|:--:|  
-|module_name|指定使用的模型名称|string|"ernie"|  
-|server|要访问的server地址，包括ip地址及端口号|string|"127.0.0.1:8866"|  
-|max_seq_len|计算时的样例长度，样例长度不足时采用补零策略，超出此参数则超出部分会被截断|int|128|  
-|show_ids|是否展现数据预处理后的样例信息，指定为True则显示样例信息，反之则不显示|bool|False|  
-|do_lower_case|是否将英文字母转换成小写，指定为True则将所有英文字母转换为小写，反之则保持原状|bool|True|
-|retry|连接失败后的最大重试次数|int|3|  
-|input_text|输入文本，要获取embedding的原始文本|二维list类型，内部元素为string类型的文本|[['样例1'],['样例2']]|
-
-## Demo——利用Bert Service部署ernie_tiny在线embedding服务
-在这里，我们将展示一个实际场景中可能使用的demo，我们利用PaddleHub在一台GPU机器上部署`ernie_tiny`模型服务，并在另一台CPU机器上尝试访问，获取一首七言绝句的embedding。
-### Step1：安装环境依赖
-首先需要安装环境依赖，根据第2节内容分别在两台机器上安装相应依赖。  
-
-### Step2：启动Bert Service服务端
-确保环境依赖安装正确后，在要部署服务的GPU机器上使用PaddleHub命令行工具启动`Bert Service`服务端，命令如下：
-```shell
-$ hub serving start bert_service -m ernie_tiny --use_gpu --gpu 0 --port 8866
-```
-启动成功后打印
-```shell
-Server[baidu::paddle_serving::predictor::bert_service::BertServiceImpl] is serving on port=8866.
-```  
-这样就启动了`ernie_tiny`的在线服务，监听8866端口，并在0号GPU上进行任务。
-### Step3：使用Bert Service客户端进行远程调用  
-部署好服务端后，就可以用普通机器作为客户端测试在线embedding功能。
-
-首先导入客户端依赖。  
-```python
-from paddlehub.serving.bert_serving import bs_client
-```
-
-接着启动并初始化`bert service`客户端`BSClient`(这里的server为虚拟地址，需根据自己实际ip设置)
-```python
-bc = bs_client.BSClient(module_name="ernie_tiny", server="127.0.0.1:8866")
-```
-
-然后输入文本信息。
-```python
-input_text = [["西风吹老洞庭波"], ["一夜湘君白发多"], ["醉后不知天在水"], ["满船清梦压星河"], ]
-```
-
-最后利用客户端接口`get_result`发送文本到服务端，以获取embedding结果。
-```python
-result = bc.get_result(input_text=input_text)
-```
-这样，就得到了embedding结果(此处只展示部分结果)。
-```python
-[[0.9993321895599361, 0.9994612336158751, 0.9999646544456481, 0.732795298099517, -0.34387934207916204, ... ]]
-```
-客户端代码demo文件见[示例](https://github.com/PaddlePaddle/PaddleHub/blob/release/v1.7/demo/serving/bert_service/bert_service_client.py)。  
-运行命令如下：  
-```shell
-$ python bert_service_client.py
-```  
-
-[运行过程动态图](https://github.com/ShenYuhan/ml-python/blob/master/short_client_fast.gif)
-
-
-### Step4：关闭Bert Service服务端
-如要停止`Bert Service`服务端程序，可在其启动命令行页面使用Ctrl+C方式关闭，关闭成功会打印如下日志：
-```shell
-Paddle Inference Server exit successfully!
-```
-这样，我们就利用一台GPU机器就完成了`Bert Service`的部署，并利用另一台普通机器进行了测试，可见通过`Bert Service`能够方便地进行在线embedding服务的快速部署。  
-
-## 预训练模型一键服务部署
-除了`Bert Service`外，PaddleHub Serving还具有预训练模型一键服务部署功能，能够将预训练模型快捷部署上线，对外提供可靠的在线预测服务，具体信息请参见[Module Serving](./serving.md)。
-
-## FAQ  
-Q : 如何在一台服务器部署多个模型？  
-A : 可通过多次启动`Bert Service`，分配不同端口实现。如果使用GPU，需要指定不同的显卡。如同时部署`ernie`和`bert_chinese_L-12_H-768_A-12`，分别执行命令如下：  
-```shell
-$ hub serving start bert_service -m ernie -p 8866
-$ hub serving start bert_service -m bert_chinese_L-12_H-768_A-12 -p 8867
-```
-
-Q : 启动时显示"Check out http://yq01-gpu-255-129-12-00.epc.baidu.com:8887 in web
- browser."，这个页面有什么作用。  
-A : 这是`BRPC`的内置服务，主要用于查看请求数、资源占用等信息，可对server端性能有大致了解，具体信息可查看[BRPC内置服务](https://github.com/apache/incubator-brpc/tree/master/docs/cn)。
-
-Q : 为什么输入文本的格式为[["文本1"], ["文本2"], ]，而不是["文本1", "文本2", ]？  
-A : 因为Bert模型可以对一轮对话生成向量表示，例如[["问题1","回答1"],["问题2","回答2"]]，为了防止使用时混乱，每个样本使用一个list表示，一个样本list内部可以是1条string或2条string，如下面的文本：  
-```python
-input_text = [
-   ["你今天吃饭了吗","我已经吃过饭了"],
-   ["今天天气怎么样","今天天气不错"],
-]
-```

docs/docs_ch/tutorial/cmdintro.md → docs/docs_ch/tutorial/cmd_usage.rst

-# PaddleHub命令行工具
+===========================
+PaddleHub命令行工具
+===========================
 
 PaddleHub为预训练模型的管理和使用提供了命令行工具。
 
-PaddleHub支持修改预训练模型存放路径：
-* 如已设置`${HUB_HOME}`环境变量，则预训练模型、配置等文件都存放在`${HUB_HOME}`指示的路径下
-* 如未设置`${HUB_HOME}`环境变量，则存放在`$HOME`指示的路径下
+我们一共提供了11个命令，涵盖了模型安装、卸载、预测等等各方面。
 
-目前命令行支持以下11个命令：
-
-## `hub install`
+hub install
+==================
 
 用于将Module安装到本地，默认安装在`${HUB_HOME}/.paddlehub/modules`目录下，当一个Module安装到本地后，用户可以通过其他命令操作该Module（例如，使用该Module进行预测），也可以使用PaddleHub提供的python API，将Module应用到自己的任务中，实现迁移学习
 
-## `hub uninstall`
+.. tip::
+
+    如果设置了环境变量 *${HUB_HOME}* ，则预训练模型和相关的配置文件都会保存到指定的 *${HUB_HOME}* 路径下。
+    如果未设置环境变量 *${HUB_HOME}* ，则预训练模型和相关的配置文件都会保存到用户的主目录 *$HOME* 下。
+
+hub uninstall
+==================
 
 用于卸载本地Module
 
-## `hub show`
+hub show
+==================
 
 用于查看本地已安装Module的属性或者指定目录下确定的Module的属性，包括其名字、版本、描述、作者等信息
 
-## `hub download`
+hub download
+==================
 
 用于下载PaddleHub提供的Module
 
-## `hub search`
+hub search
+==================
 
 通过关键字在服务端检索匹配的Module，当想要查找某个特定模型的Module时，使用search命令可以快速得到结果，例如`hub search ssd`命令，会查找所有包含了ssd字样的Module，命令支持正则表达式，例如`hub search ^s.*`搜索所有以s开头的资源。
 
-`注意`
-如果想要搜索全部的Module，使用`hub search *`并不生效，这是因为shell会自行进行通配符展开，将*替换为当前目录下的文件名。为了进行全局搜索，用户可以直接键入`hub search`
+.. tip::
+    
+    如果想要搜索全部的Module，使用`hub search \*`并不生效，这是因为shell会自行进行通配符展开，将\*替换为当前目录下的文件名。为了进行全局搜索，用户可以直接键入`hub search`。
+
 
-## `hub list`
+hub list
+==================
 
 列出本地已经安装的Module
 
-## `hub run`
+hub run
+==================
 
 用于执行Module的预测，需要注意的是，并不是所有的模型都支持预测（同样，也不是所有的模型都支持迁移学习）。使用示例可以参考[hub run快速体验](../quick_experience/cmd_quick_run.md)。
 
-## `hub help`
+PaddleHub尽量简化了用户在使用命令行预测时的理解成本，一般来讲，我们将预测分为NLP和CV两大类
 
-显示帮助信息
+NLP类的任务
+---------------
+输入数据通过--input_text指定。以百度LAC模型（中文词法分析）为例，可以通过以下命令实现文本分析。
 
-## `hub version`
 
-显示PaddleHub版本信息
+.. code-block:: console
 
-## `hub clear`
+    $ hub run lac --input_text "今天是个好日子"
 
-PaddleHub在使用过程中会产生一些缓存数据，这部分数据默认存放在${HUB_HOME}/.paddlehub/cache目录下，用户可以通过clear命令来清空缓存
 
-## `hub config`
-用于查看和设置paddlehub相关设置，包括对server地址、日志级别的设置：
+CV类的任务
+---------------
 
-`示例`
-* `hub config`: 显示当前paddlehub的设置
+输入数据通过`--input_path`指定。以SSD模型（单阶段目标检测）为例子，可以通过以下命令实现预测
 
-* `hub config reset`: 恢复当前paddlehub的设置为默认设置
+.. code-block:: console
 
-* `hub config server==[address]`: 设置当前paddlehub-server地址为[address]，paddlehub客户端从此地址获取模型信息
+    $ hub run resnet_v2_50_imagenet --input_path test.jpg
 
-* `hub config log.level==[level]`: 设置当前日志级别为[level]， 可选值为CRITICAL, ERROR, WARNING, EVAL, TRAIN, INFO, DEBUG, 从左到右优先级从高到低
+hub help
+==================
 
-* `hub config log.enable==True|False`: 设置当日志是否可用
+显示帮助信息
 
-## `hub serving`
+hub version
+==================
 
-用于一键部署Module预测服务，详细用法见[PaddleHub Serving一键服务部署](serving.md)
+显示PaddleHub版本信息
 
-**NOTE:**
+hub clear
+==================
 
-在PaddleHub中，Module表示一个`可执行的预训练模型`，一个Module可以支持直接命令行预测，也可以配合PaddleHub Finetune API，通过少量代码实现迁移学习。不是所有的Module都支持命令行预测 (例如BERT/ERNIE Transformer类模型，一般需要搭配任务进行finetune)，也不是所有的Module都可用于finetune（例如LAC词法分析模型，我们不建议用户用于finetune）。
+PaddleHub在使用过程中会产生一些缓存数据，这部分数据默认存放在${HUB_HOME}/.paddlehub/cache目录下，用户可以通过clear命令来清空缓存
 
-PaddleHub尽量简化了用户在使用命令行预测时的理解成本，一般来讲，我们将预测分为NLP和CV两大类
+hub config
+==================
+
+用于查看和设置paddlehub相关设置，包括对server地址、日志级别的设置：
 
-## NLP类的任务
-输入数据通过--input_text或者--input_file指定。以百度LAC模型（中文词法分析）为例，可以通过以下两个命令实现单行文本和多行文本的分析。
-
-```shell
-# 单文本预测
-$ hub run lac --input_text "今天是个好日子"
-```
-```shell
-# 多文本分析
-$ hub run lac --input_file test.txt
-```
-
-其中test.txt的样例格式如下，每行是一个需要词法分析句子
-
-```
-今天是个好日子
-天气预报说今天要下雨
-下一班地铁马上就要到了
-……更多行……
-```
-
-## CV类的任务
-输入数据通过`--input_path`或者`--input_file`指定。以SSD模型（单阶段目标检测）为例子，可以通过以下两个命令实现单张图片和多张图片的预测
-
-```shell
-# 单张照片预测
-$ hub run resnet_v2_50_imagenet --input_path test.jpg
-```
-
-```shell
-# 多张照片预测
-$ hub run resnet_v2_50_imagenet --input_file test.txt
-```
-其中test.txt的格式为
-```
-cat.jpg
-dog.jpg
-person.jpg
-……更多行……
-```
+.. code-block:: console
+
+    $ # 显示当前paddlehub的设置
+    $ hub config 
+    
+    $ # 恢复当前paddlehub的设置为默认设置
+    $ hub config reset 
+    
+    $ # 设置当前paddlehub-server地址为${HOST}，paddlehub客户端从此地址获取模型信息
+    $ hub config server==${HOST} 
+    
+    $ # 设置当前日志级别为${LEVEL}， 可选值为CRITICAL, ERROR, WARNING, EVAL, TRAIN, INFO, DEBUG, 从左到右优先级从高到低
+    $ hub config log.level==${LEVEL} 
+    
+    $ # 设置当日志是否可用
+    $ hub config log.enable==True|False 
+
+hub serving
+==================
+
+用于一键部署Module预测服务，详细用法见`PaddleHub Serving一键服务部署 <serving>`_
\ No newline at end of file

docs/docs_ch/tutorial/contri_pretrained_model.md

-# 如何编写一个PaddleHub Module
-
-## 模型基本信息
-
-我们准备编写一个PaddleHub Module，Module的基本信息如下：
-```yaml
-name="openpose_body_estimation",
-type="CV/image_editing",
-author="paddlepaddle",
-author_email="",
-summary="Openpose_body_estimation is a body pose estimation model based on Realtime Multi-Person 2D Pose \
-        Estimation using Part Affinity Fields.",
-version="1.0.0"
-
-```
-
-Module存在一个接口predict，用于接收传入图片，并得到最终输出的结果，支持python接口调用和命令行调用。
-```python
-import paddlehub as hub
-
-model = hub.Module(name="openpose_body_estimation")
-result = model.predict("demo.jpg")
-```
-```cmd
-hub run openpose_body_estimation --input_path demo.jpg
-```
-
-
-## Module创建
-
-### step 1. 创建必要的目录与文件
-
-创建一个openpose_body_estimation的目录，并在openpose_body_estimation目录下分别创建module.py, processor.py。其中
-
-|文件名|用途|
-|-|-|
-|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|
-
-```cmd
-➜  tree openpose_body_estimation
-openpose_body_estimation/
-   ├── module.py
-   └── processor.py
-```
-### step 2. 实现辅助模块processor
-
-在processor.py中实现一些在module.py里面需要调用到的类和函数。例如在processor.py 中实现ResizeScaling类：
-
-```python
-class ResizeScaling:
-    """Resize images by scaling method.
-
-    Args:
-        target(int): Target image size.
-        interpolation(Callable): Interpolation method.
-    """
-
-    def __init__(self, target: int = 368, interpolation: Callable = cv2.INTER_CUBIC):
-        self.target = target
-        self.interpolation = interpolation
-
-    def __call__(self, img, scale_search):
-        scale = scale_search * self.target / img.shape[0]
-        resize_img = cv2.resize(img, (0, 0), fx=scale, fy=scale, interpolation=self.interpolation)
-        return resize_img
-```
-
-### 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 os
-import time
-import copy
-import base64
-import argparse
-from typing import Union
-from collections import OrderedDict
-
-import cv2
-import paddle
-import paddle.nn as nn
-import numpy as np
-from paddlehub.module.module import moduleinfo, runnable, serving
-import paddlehub.vision.transforms as T
-import openpose_body_estimation.processor as P
-```
-**NOTE:** `paddlehub.vision.transforms`有常见的图像处理方法，可以方便调用。
-
-#### step 3_2. 定义BodyPoseModel类
-module.py中需要有一个继承了nn.Layer，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="openpose_body_estimation")加载Module时，PaddleHub会自动创建openpose_body_estimation的对象并返回。
-```python
-@moduleinfo(
-    name="openpose_body_estimation",
-    type="CV/image_editing",
-    author="paddlepaddle",
-    author_email="",
-    summary="Openpose_body_estimation is a body pose estimation model based on Realtime Multi-Person 2D Pose \
-            Estimation using Part Affinity Fields.",
-    version="1.0.0")
-class BodyPoseModel(nn.Layer):
-    ...
-```
-#### step 3_3. 执行必要的初始化及模型搭建
-模型的初始化主要完成几个功能：待使用的类的声明，模型使用的类的声明及参数加载。
-```python
- def __init__(self, load_checkpoint: str = None):
-        super(BodyPoseModel, self).__init__()
-        #将会使用到的类的声明
-        self.resize_func = P.ResizeScaling()
-        self.norm_func = T.Normalize(std=[1, 1, 1])
-        #模型声明
-        self.input_nc = 4
-        self.output_nc = 2
-        model1 = (
-            Conv2D(self.input_nc, 64, 3, 1, 1),
-            nn.ReLU(),
-            Conv2D(64, 64, 3, 1, 1),
-            nn.ReLU(),
-            nn.BatchNorm(64),
-        )
-        self.model1 = nn.Sequential(*model1)
-        #参数加载
-        if load_checkpoint is not None:
-            self.model_dict = paddle.load(load_checkpoint)
-            self.set_dict(self.model_dict)
-            print("load custom checkpoint success")
-        else:
-            checkpoint = os.path.join(self.directory, 'model.pdparams')
-            self.model_dict = paddle.load(checkpoint)
-            self.set_dict(self.model_dict)
-            print("load pretrained checkpoint success")
-
-```  
-模型的搭建主要在`forward`里面实现：
-```python
-def forward(self, input: paddle.Tensor) -> paddle.Tensor:
-        result = self.model1(input)
-        return result
-
-```  
-
-#### step 3_4. 完善预测逻辑
-```python
-def predict(self, img:Union(np.ndarray,str), visualization: bool = True):
-    self.eval()
-    self.visualization = visualization
-    if isinstance(img, str):
-        orgImg = cv2.imread(img)
-    else:
-        orgImg = img
-    data = self.resize_func(self.norm_func(orgImg))
-    output = self.forward(paddle.to_tensor(data.astype('float32')))
-    output = paddle.clip(output[0].transpose((1, 2, 0)), 0, 255).numpy()
-    output = output.astype(np.uint8)
-    if self.visualization:
-        style_name = "body_" + str(time.time()) + ".png"
-        if not os.path.exists(save_path):
-            os.mkdir(save_path)
-        path = os.path.join(save_path, style_name)
-        cv2.imwrite(path, output)
-    return output
-```
-#### 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。
-
-```python
-@runnable
-def run_cmd(self, argvs):
-    """
-    Run as a command.
-    """
-    self.parser = argparse.ArgumentParser(
-        description="Run the {} module.".format(self.name),
-        prog='hub run {}'.format(self.name),
-        usage='%(prog)s',
-        add_help=True)
-    self.arg_input_group = self.parser.add_argument_group(
-        title="Input options", description="Input data. Required")
-    self.arg_config_group = self.parser.add_argument_group(
-        title="Config options",
-        description=
-        "Run configuration for controlling module behavior, not required.")
-    self.add_module_config_arg()
-    self.add_module_input_arg()
-    args = self.parser.parse_args(argvs)
-    results = self.predict(
-        img=args.input_path,
-        save_path=args.output_dir,
-        visualization=args.visualization)
-    return results
-
-def add_module_config_arg(self):
-    """
-    Add the command config options.
-    """
-
-    self.arg_config_group.add_argument(
-        '--output_dir',
-        type=str,
-        default='openpose_body',
-        help="The directory to save output images.")
-    self.arg_config_group.add_argument(
-        '--save_dir',
-        type=str,
-        default='openpose_model',
-        help="The directory to save model.")
-    self.arg_config_group.add_argument(
-        '--visualization',
-        type=bool,
-        default=True,
-        help="whether to save output as images.")
-
-def add_module_input_arg(self):
-    """
-    Add the command input options.
-    """
-    self.arg_input_group.add_argument(
-        '--input_path', type=str, help="path to image.")
-
-```
-#### 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 serving_method(self, images, **kwargs):
-    """
-    Run as a service.
-    """
-    images_decode = [base64_to_cv2(image) for image in images]
-    results = self.predict(img=images_decode[0], **kwargs)
-    final={}
-    final['data'] = P.cv2_to_base64(results)
-    return final
-```
-
-
-## 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 openpose_body_estimation
-```
-
-```python
-import paddlehub as hub
-
-if __name__ == "__main__":
-
-    model = hub.Module(name='openpose_hands_estimation')
-    result = model.predict("demo.jpg")
-```
-
-### 调用方法2
-将Module安装到本机中，再通过hub run运行
-
-```shell
-hub install openpose_body_estimation
-hub run openpose_body_estimation --input_path demo.jpg
-```
-### 测试serving方法
-
-运行启动命令：
-
-```shell
-$ hub serving start -m openpose_body_estimation
-```
-
-发送预测请求，获取预测结果.
-
-```python
-import requests
-import json
-import cv2
-import base64
-
-import numpy as np
-
-
-def cv2_to_base64(image):
-    data = cv2.imencode('.jpg', image)[1]
-    return base64.b64encode(data.tostring()).decode('utf8')
-
-def base64_to_cv2(b64str):
-    data = base64.b64decode(b64str.encode('utf8'))
-    data = np.fromstring(data, np.uint8)
-    data = cv2.imdecode(data, cv2.IMREAD_COLOR)
-    return data
-
-# 发送HTTP请求
-org_im = cv2.imread('/PATH/TO/IMAGE')
-data = {'images':[cv2_to_base64(org_im)]}
-headers = {"Content-type": "application/json"}
-url = "http://127.0.0.1:8866/predict/openpose_body_estimation"
-r = requests.post(url=url, headers=headers, data=json.dumps(data))
-canvas = base64_to_cv2(r.json()["results"]['data'])
-cv2.imwrite('keypoint_body.png', canvas)
-```

docs/docs_ch/tutorial/sentence_sim.md

-# 使用Word2Vec进行文本语义相似度计算
-
-本示例展示利用PaddleHub“端到端地”完成文本相似度计算。
-
-## 一、准备文本数据
-
-如
-```
-驾驶违章一次扣12分用两个驾驶证处理可以吗    一次性扣12分的违章,能用不满十二分的驾驶证扣分吗
-水果放冰箱里储存好吗    中国银行纪念币网上怎么预约
-电脑反应很慢怎么办    反应速度慢,电脑总是卡是怎么回事
-```
-
-## 二、分词
-利用PaddleHub Module LAC对文本数据进行分词。
-
-```python
-# 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.
-"""similarity between two sentences"""
-
-import numpy as np
-import scipy
-from scipy.spatial import distance
-
-import paddle
-import paddlehub as hub
-from paddlehub.text.utils import load_vocab
-
-raw_data = [
-    ["驾驶违章一次扣12分用两个驾驶证处理可以吗", "一次性扣12分的违章,能用不满十二分的驾驶证扣分吗"],
-    ["水果放冰箱里储存好吗", "中国银行纪念币网上怎么预约"],
-    ["电脑反应很慢怎么办", "反应速度慢,电脑总是卡是怎么回事"]
-]
-
-lac = hub.Module(name="lac")
-
-processed_data = []
-for text_pair in raw_data:
-    inputs = {"text" : text_pair}
-    results = lac.lexical_analysis(data=inputs, use_gpu=True, batch_size=2)
-    data = []
-    for result in results:
-        data.append(" ".join(result["word"]))
-    processed_data.append(data)
-```
-
-## 三、计算文本语义相似度
-
-将分词文本中的单词相应替换为wordid，之后输入wor2vec module中计算两个文本语义相似度。
-
-```python
-def convert_tokens_to_ids(vocab, text):
-    wids = []
-    tokens = text.split(" ")
-    for token in tokens:
-        wid = vocab.get(token, None)
-        if not wid:
-            wid = vocab["unknown"]
-        wids.append(wid)
-    return wids
-
-module = hub.Module(name="word2vec_skipgram", version='1.0.0')
-inputs, outputs, program = module.context(trainable=False)
-vocab = load_vocab(module.get_vocab_path())
-
-word_ids = inputs["word_ids"]
-embedding = outputs["word_embs"]
-
-paddle.enable_static()
-place = paddle.CPUPlace()
-exe = paddle.static.Executor(place)
-feeder = paddle.fluid.DataFeeder(feed_list=[word_ids], place=place)
-
-for item in processed_data:
-    text_a = convert_tokens_to_ids(vocab, item[0])
-    text_b = convert_tokens_to_ids(vocab, item[1])
-
-    vecs_a, = exe.run(
-        program,
-        feed=feeder.feed([[text_a]]),
-        fetch_list=[embedding.name],
-        return_numpy=False)
-    vecs_a = np.array(vecs_a)
-    vecs_b, = exe.run(
-        program,
-        feed=feeder.feed([[text_b]]),
-        fetch_list=[embedding.name],
-        return_numpy=False)
-    vecs_b = np.array(vecs_b)
-
-    sent_emb_a = np.sum(vecs_a, axis=0)
-    sent_emb_b = np.sum(vecs_b, axis=0)
-    cos_sim = 1 - distance.cosine(sent_emb_a, sent_emb_b)
-
-    print("text_a: %s; text_b: %s; cosine_similarity: %.5f" %
-          (item[0], item[1], cos_sim))
-```

docs/docs_ch/tutorial/serving.md

@@ -234,4 +234,3 @@ $ PaddleHub Serving will stop.
 * [人脸检测-基于pyramidbox_lite_server_mask](../../../demo/serving/module_serving/object_detection_pyramidbox_lite_server_mask)
 
   该示例展示了利用pyramidbox_lite_server_mask完成人脸口罩检测，检测人脸位置以及戴口罩的置信度。
-

docs/docs_ch/tutorial/tutorial_index.rst

-迁移学习
-==================
-
-本文将介绍介绍了如何自定义数据、以及基于PaddleHub Module的一些应用场景。
-
-
-详细信息，参考以下教程：
-
-..  toctree::
-    :maxdepth: 1
-
-    自定义数据<how_to_load_data>
-    文本相似度计算<sentence_sim>
-    

docs/docs_ch/tutorial_index.rst

+========
+教程
+========
+
+
+
+.. toctree::
+   :maxdepth: 2
+   :titlesonly:
+
+   命令行使用方法<tutorial/cmd_usage>
+   一键服务化部署<tutorial/serving>
+   如何创建自己的Module<tutorial/custom_module>
+   迁移学习<transfer_learning_index>
\ No newline at end of file

docs/docs_en/Makefile

+# Minimal makefile for Sphinx documentation
+#
+
+# You can set these variables from the command line, and also
+# from the environment for the first two.
+SPHINXOPTS    ?=
+SPHINXBUILD   ?= sphinx-build
+SOURCEDIR     = .
+BUILDDIR      = _build
+
+# Put it first so that "make" without argument is like "make help".
+help:
+	@$(SPHINXBUILD) -M help "$(SOURCEDIR)" "$(BUILDDIR)" $(SPHINXOPTS) $(O)
+
+.PHONY: help Makefile
+
+# Catch-all target: route all unknown targets to Sphinx using the new
+# "make mode" option.  $(O) is meant as a shortcut for $(SPHINXOPTS).
+%: Makefile
+	@$(SPHINXBUILD) -M $@ "$(SOURCEDIR)" "$(BUILDDIR)" $(SPHINXOPTS) $(O)

docs/docs_en/contribution/contri_index_en.rst

-Contribution Code
-==================
-
-Contributors, especially code and pre-training model contributors, are very welcome at PaddleHub. The following document describes how to contribute code and pre-training models.
-
-...  toctree::
-    :maxdepth: 1
-
-    Contribution code <contri_pr.md>
-    Contribute to the pre-training model <contri_pretrained_model>.