fix image display size in serving demo

demo/serving/README.md

@@ -10,9 +10,9 @@ PaddleHub-Serving是基于PaddleHub的一键模型服务部署工具，能够通
 PaddleHub-Serving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，未来还将支持开发者利用PaddleHub自己finetune后的模型服务化。
 
 ## 2. Bert Service
-`Bert Service`是基于Paddle Serving框架的快速部署模型远程计算服务方案，可将embedding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。
+Bert Service是基于Paddle Serving框架的快速部署模型远程计算服务方案，可将embedding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。
 
-关于`Bert Service`的具体信息请参与[Bert Service](./bert_service)
+关于Bert Service的具体信息和示例请参阅[Bert Service](./bert_service)
 
 该示例展示了利用Bert Service进行远程embedding服务化部署和在线预测，并获取文本embedding结果。
 
@@ -50,3 +50,5 @@ PaddleHub-Serving主要包括利用Bert Service实现embedding服务化，以及
 * [中文情感分析-基于simnet_bow](serving/semantic_model_simnet_bow)
 
 该示例展示了利用senta_lstm完成中文文本情感分析服务化部署和在线预测，获取文本的情感分析结果。
+
+关于Paddle-Serving一键模型部署功能的具体信息请参与[serving](./serving)

demo/serving/serving/GAN_stgan_celeba/README.md

@@ -21,7 +21,7 @@ Loading stgan_celeba successful.
 我们用来测试的样例图片为  
 
 <p align="center">  
-<img src="../img/man.jpg" width="30%" />  
+<img src="../img/man.png" width="30%" />  
 </p>  
 
 根据stgan_celeba所需信息，准备的数据包括图像文件和生成图像风格，格式为

demo/serving/serving/README.md

@@ -48,14 +48,14 @@ $ hub serving start --config config.json
 {  
   "modules_info": [  
     {  
-       "module": module_name1,  
-       "version": module_version1,  
-       "batch_size": batch_size1
+       "module": "MODULE_NAME_1",
+       "version": "MODULE_VERSION_1",
+       "batch_size": "BATCH_SIZE_1"
     },  
     {  
-       "module": module_name2,  
-       "version": module_version2,  
-       "batch_size": batch_size2
+       "module": "MODULE_NAME_2",  
+       "version": "MODULE_VERSION_2",  
+       "batch_size": "BATCH_SIZE_2"
     }
   ],  
   "use_gpu": false,  
@@ -68,7 +68,7 @@ $ hub serving start --config config.json
 
 |参数|用途|  
 |-|-|  
-|--modules_info|Hub-Serving预安装模型，以字典列表形式列出，其中`module`为预测服务使用的模型名，`version`为其版本，`batch_size`为预测批次大小。
+|--modules_info|Hub-Serving预安装模型，以字典列表形式列出，其中:<br>`module`为预测服务使用的模型名<br>`version`为预测模型的版本<br>`batch_size`为预测批次大小
 |--use_gpu|使用GPU进行预测，必须安装paddlepaddle-gpu|  
 |--port/-p|服务端口，默认为8866|  
 |--use_multiprocess|是否启用并发方式，默认为单进程方式，推荐多核CPU机器使用此方式|  
@@ -77,9 +77,9 @@ $ hub serving start --config config.json
 
 在使用PaddleHub-Serving部署服务端的模型预测服务后，就可以在客户端访问预测接口以获取结果了，接口url格式为：
 
-http://0.0.0.0:8866/predict/<CATEGORY>/<MODULE>
+http://0.0.0.0:8866/predict/\<CATEGORY\>/\<MODULE>
 
-其中，<CATEGORY>为text或image，与模型种类对应，<MODULE>为模型名。
+其中，\<CATEGORY>为text或image，与模型种类对应，\<MODULE>为模型名。
 
 通过发送一个POST请求，即可获取预测结果，下面我们将展示一个具体的demo，以说明使用PaddleHub-Serving部署和使用流程。
 
@@ -88,7 +88,7 @@ http://0.0.0.0:8866/predict/<CATEGORY>/<MODULE>
 
 <p align="center">  
 
-<img src="../img/web_demo.png" width="60%" />  
+<img src="./img/web_demo.png" width="60%" />  
 
 </p>  
 
@@ -124,7 +124,7 @@ $ hub serving start -c serving_config.json
 
 <p align="center">  
 
-<img src="../img/start_serving_lac.png" width="100%" />  
+<img src="./img/start_serving_lac.png" width="100%" />  
 
 </p>  
 
@@ -153,8 +153,11 @@ if __name__ == "__main__":
     print(json.dumps(r.json(), indent=4, ensure_ascii=False))
 ```
 运行后得到结果
-```python
-{
+<details>
+    <summary>lac分词结果</summary>
+
+    ```python
+    {
         "results": [
             {
                 "tag": [
@@ -187,9 +190,12 @@ if __name__ == "__main__":
                 ]
             }
         ]
-}
-```
-关于PaddleHub-Serving的一键服务部署功能示例，可参阅下列demo
+    }
+    ```
+
+</detail>  
+
+获取其他PaddleHub-Serving的一键服务部署场景示例，可参阅下列demo
 
 * [图像分类-基于vgg11_imagent](serving/classification_vgg11_imagenet)  
 

demo/serving/serving/classification_vgg11_imagenet/README.md

@@ -21,21 +21,11 @@ Loading vgg11_imagenet successful.
 我们用来测试的样例图片为  
 
 <p align="center">  
-<img src="../img/cat.jpg" width="80%" />  
+<img src="../img/cat.jpg" width="45%" />  
 </p>  
 
 <p align="center">  
-<img src="../img/flower.jpg" width="80%"/>  
-</p>
-
-## python脚本  
-
-<p align="center">  
-<img src="../img/cat.jpg" width="80%" />  
-</p>  
-
-<p align="center">  
-<img src="../img/flower.jpg" width="80%"/>  
+<img src="../img/flower.jpg" width="45%"/>  
 </p>
 
 准备的数据格式为

demo/serving/serving/object_detection_yolov3_darknet53_coco2017/README.md

-# 部署图像分类服务-以yolov3_coco2017为例
+# 部署图像分类服务-以yolov3_darknet53_coco2017为例
 ## 1 简介
-目标检测作为深度学习常见任务，在各种场景下都有所使用。使用`yolov3_coco2017`模型可以进行目标检测任务，关于`yolov3_coco2017`的具体信息请参阅[yolov3_coco2017](https://paddlepaddle.org.cn/hubdetail?name=yolov3_coco2017&en_category=ObjectDetection)。
+目标检测作为深度学习常见任务，在各种场景下都有所使用。使用`yolov3_darknet53_coco2017`模型可以进行目标检测任务，关于`yolov3_darknet53_coco2017`的具体信息请参阅[yolov3_darknet53_coco2017](https://paddlepaddle.org.cn/hubdetail?name=yolov3_darknet53_coco2017&en_category=ObjectDetection)。
 
 使用PaddleHub-Serving可以轻松部署一个在线目标检测服务API，可将此API接入自己的web网站进行在线目标检测，也可接入移动端应用程序，实现识图、圈人等功能。
 
@@ -9,11 +9,11 @@
 ## 2 启动PaddleHub-Serving
 启动命令如下
 ```shell
-$ hub serving start -m yolov3_coco2017
+$ hub serving start -m yolov3_darknet53_coco2017
 ```
 启动时会显示加载模型过程，启动成功后显示
 ```shell
-Loading yolov3_coco2017 successful.
+Loading yolov3_darknet53_coco2017 successful.
 ```
 这样就完成了一个图像生成服务化API的部署，默认端口号为8866。
 
@@ -22,13 +22,13 @@ Loading yolov3_coco2017 successful.
 
 <p align="center">  
 
-<img src="../img/cat.jpg" width="100%" />  
+<img src="../img/cat.jpg" width="65%" />  
 
 </p>  
 
 <p align="center">  
 
-<img src="../img/dog.jpg" width="100%" />  
+<img src="../img/dog.jpg" width="65%" />  
 
 </p>  
 
@@ -46,8 +46,8 @@ files = [("image", file_1), ("image", file_2)]
 ```
 然后就可以发送请求到目标检测服务API，并得到结果，代码如下
 ```python
->>> # 指定检测方法为yolov3_coco2017并发送post请求
->>> url = "http://127.0.0.1:8866/predict/image/yolov3_coco2017"
+>>> # 指定检测方法为yolov3_darknet53_coco2017并发送post请求
+>>> url = "http://127.0.0.1:8866/predict/image/yolov3_darknet53_coco2017"
 >>> r = requests.post(url=url, files=files)
 ```
 我们可以打印接口返回结果
@@ -93,7 +93,7 @@ files = [("image", file_1), ("image", file_2)]
 ```
 根据结果可以看出准确识别了请求的图片。
 
-yolov3_coco2017返回的结果还包括标注检测框的图像的base64编码格式，经过转换可以得到生成图像，代码如下
+yolov3_darknet53_coco2017返回的结果还包括标注检测框的图像的base64编码格式，经过转换可以得到生成图像，代码如下
 ```python
 >>> for item in results:
 ...     with open(output_path, "wb") as fp:
@@ -103,13 +103,13 @@ yolov3_coco2017返回的结果还包括标注检测框的图像的base64编码
 
 <p align="center">  
 
-<img src="./output/cat.jpg" width="80%" />  
+<img src="./output/cat.jpg" width="65%" />  
 
 </p>  
 
 <p align="center">  
 
-<img src="./output/dog.jpg" width="80%" />  
+<img src="./output/dog.jpg" width="65%" />  
 
 </p>  
 

demo/serving/serving/semantic_segmentation_deeplabv3p_xception65_humanseg/README.md

@@ -22,7 +22,7 @@ Loading deeplabv3p_xception65_humanseg successful.
 
 <p align="center">  
 
-<img src="../img/girl.jpg" width="100%" />  
+<img src="../img/girl.jpg" width="65%" />  
 
 </p>  
 
@@ -66,7 +66,7 @@ deeplabv3p_xception65_humanseg返回的结果还包括人像分割后的图像
 
 <p align="center">  
 
-<img src="./output/girl.png" width="100%" />  
+<img src="./output/girl.png" width="65%" />  
 
 </p>