update demo and add README

demo/image-classification/README.md

+## 关于图像分类
+https://github.com/PaddlePaddle/models/tree/develop/fluid/PaddleCV/image_classification
+
+## 创建Module
+本目录包含了创建一个基于ImageNet 2012数据集预训练的图像分类模型(ResNet/MobileNet)的Module的脚本。
+通过以下脚本来一键创建一个ResNet50 Module
+```shell
+sh create_module.sh
+```
+NOTE:
+* 如果进行下面示例的脚本或者代码，请确保执行上述脚本
+* 关于创建Module的API和细节，请查看`create_module.py`
+
+## 使用Module预测
+该Module创建完成后，可以通过命令行或者python API两种方式进行预测
+### 命令行方式
+`infer.sh`给出了使用命令行调用Module预测的示例脚本
+通过以下命令试验下效果
+```shell
+sh infer.sh
+```
+### 通过python API
+`infer_by_code.py`给出了使用python API调用Module预测的示例代码
+通过以下命令试验下效果
+```shell
+python infer_by_code.py
+```
+
+## 对预训练模型进行Finetune
+通过以下命令进行Finetune
+```shell
+sh finetune.sh
+```
+
+更多关于Finetune的资料，请查看[基于PaddleHub的迁移学习](https://github.com/PaddlePaddle/PaddleHub/blob/develop/docs/transfer_learning_turtorial.md)

demo/image-classification/create_module.sh

@@ -2,9 +2,6 @@
 set -o nounset
 set -o errexit
 
-script_path=$(cd `dirname $0`; pwd)
-cd $script_path
-
 model_name="ResNet50"
 
 while getopts "m:" options
@@ -18,4 +15,24 @@ do
 	esac
 done
 
+script_path=$(cd `dirname $0`; pwd)
+module_path=hub_module_${model_name}
+
+if [ -d $script_path/$module_path ]
+then
+    echo "$module_path already existed!"
+    exit 0
+fi
+
+cd $script_path/resources/
+
+if [ ! -d ${model_name}_pretrained ]
+then
+    sh download.sh $model_name
+fi
+
+cd $script_path/
+
 python create_module.py --pretrained_model=resources/${model_name}_pretrained --model ${model_name}
+
+echo "Successfully create $module_path"

demo/image-classification/finetune.sh

@@ -4,10 +4,6 @@ set -o errexit
 
 script_path=$(cd `dirname $0`; pwd)
 cd $script_path
-hub_module_path=hub_module_ResNet50
-cd resources
-sh download.sh ResNet50
-cd ..
-sh create_module.sh
 
+sh create_module.sh
 python retrain.py

demo/lac/README.md

+## 关于LAC
+https://github.com/baidu/lac
+
+## 创建Module
+本目录包含了创建一个基于LAC预训练模型的Module的脚本。
+通过以下脚本来一键创建一个LAC Module
+```shell
+sh create_module.sh
+```
+NOTE:
+* 如果进行下面示例的脚本或者代码，请确保执行上述脚本
+* 关于创建Module的API和细节，请查看`create_module.py`
+
+## 使用Module预测
+该Module创建完成后，可以通过命令行或者python API两种方式进行预测
+### 命令行方式
+`infer.sh`给出了使用命令行调用Module预测的示例脚本
+通过以下命令试验下效果
+```shell
+sh infer.sh
+```
+### 通过python API
+`infer_by_code.py`给出了使用python API调用Module预测的示例代码
+通过以下命令试验下效果
+```shell
+python infer_by_code.py
+```

demo/lac/create_module.sh

@@ -3,6 +3,23 @@ set -o nounset
 set -o errexit
 
 script_path=$(cd `dirname $0`; pwd)
-cd $script_path
+module_path=hub_module_lac
+
+if [ -d $script_path/$module_path ]
+then
+    echo "$module_path already existed!"
+    exit 0
+fi
+
+cd $script_path/resources/
+
+if [ ! -d senta_model ]
+then
+    sh download.sh
+fi
+
+cd $script_path/
 
 python create_module.py
+
+echo "Successfully create $module_path"

demo/lac/infer.sh

-python ../../paddle_hub/commands/hub.py run hub_module_lac/ --signature lexical_analysis --config resources/test/test.yml  --dataset resources/test/test.csv
+python ../../paddle_hub/commands/hub.py run hub_module_lac/ --signature lexical_analysis --config resources/test/test.yml  --input_file resources/test/test.csv

demo/lac/infer_by_code.py

+import os
+import paddle_hub as hub
+
+
+def infer_with_input_text():
+    # get lac module
+    lac = hub.Module(module_dir="hub_module_lac")
+
+    test_text = ["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"]
+
+    # get the input keys for signature 'lexical_analysis'
+    data_format = lac.processor.data_format(sign_name='lexical_analysis')
+    key = list(data_format.keys())[0]
+
+    # set input dict
+    input_dict = {key: test_text}
+
+    # execute predict and print the result
+    results = lac.lexical_analysis(data=input_dict)
+    for index, result in enumerate(results):
+        hub.logger.info(
+            "sentence %d segmented result: %s" % (index + 1, result['word']))
+
+
+def infer_with_input_file():
+    # get lac module
+    lac = hub.Module(module_dir="hub_module_lac")
+
+    # get the input keys for signature 'lexical_analysis'
+    data_format = lac.processor.data_format(sign_name='lexical_analysis')
+    key = list(data_format.keys())[0]
+
+    # parse input file
+    test_csv = os.path.join("resources", "test", "test.csv")
+    test_text = hub.io.reader.csv_reader.read(test_csv)["TEXT_INPUT"]
+
+    # set input dict
+    input_dict = {key: test_text}
+    results = lac.lexical_analysis(data=input_dict)
+    for index, result in enumerate(results):
+        hub.logger.info(
+            "sentence %d segmented result: %s" % (index + 1, result['word']))
+
+
+if __name__ == "__main__":
+    infer_with_input_text()

demo/senta/README.md

+## 关于senta
+https://github.com/baidu/Senta
+
+## 创建Module
+本目录包含了创建一个基于senta预训练模型的Module的脚本。
+通过以下脚本来一键创建一个senta Module
+```shell
+sh create_module.sh
+```
+NOTE:
+* 如果进行下面示例的脚本或者代码，请确保执行上述脚本
+* 关于创建Module的API和细节，请查看`create_module.py`
+
+## 使用Module预测
+该Module创建完成后，可以通过命令行或者python API两种方式进行预测
+### 命令行方式
+`infer.sh`给出了使用命令行调用Module预测的示例脚本
+通过以下命令试验下效果
+```shell
+sh infer.sh
+```
+### 通过python API
+`infer_by_code.py`给出了使用python API调用Module预测的示例代码
+通过以下命令试验下效果
+```shell
+python infer_by_code.py
+```

demo/senta/create_module.sh

@@ -3,6 +3,23 @@ set -o nounset
 set -o errexit
 
 script_path=$(cd `dirname $0`; pwd)
-cd $script_path
+module_path=hub_module_senta
+
+if [ -d $script_path/$module_path ]
+then
+    echo "$module_path already existed!"
+    exit 0
+fi
+
+cd $script_path/resources/
+
+if [ ! -d senta_model ]
+then
+    sh download.sh
+fi
+
+cd $script_path/
 
 python create_module.py
+
+echo "Successfully create $module_path"

demo/senta/infer_by_code.py

+import os
+import paddle_hub as hub
+
+
+def infer_with_input_text():
+    # get senta module
+    senta = hub.Module(module_dir="hub_module_senta")
+
+    test_text = ["这家餐厅很好吃", "这部电影真的很差劲"]
+
+    # get the input keys for signature 'sentiment_classify'
+    data_format = senta.processor.data_format(sign_name='sentiment_classify')
+    key = list(data_format.keys())[0]
+
+    # set input dict
+    input_dict = {key: test_text}
+
+    # execute predict and print the result
+    results = senta.sentiment_classify(data=input_dict)
+    for index, result in enumerate(results):
+        hub.logger.info("sentence %d segmented result: %s" %
+                        (index + 1, result['sentiment_key']))
+
+
+def infer_with_input_file():
+    # get senta module
+    senta = hub.Module(module_dir="hub_module_senta")
+
+    # get the input keys for signature 'sentiment_classify'
+    data_format = senta.processor.data_format(sign_name='sentiment_classify')
+    key = list(data_format.keys())[0]
+
+    # parse input file
+    test_csv = os.path.join("resources", "test", "test.csv")
+    test_text = hub.io.reader.csv_reader.read(test_csv)["TEXT_INPUT"]
+
+    # set input dict
+    input_dict = {key: test_text}
+    results = senta.sentiment_classify(data=input_dict)
+    for index, result in enumerate(results):
+        hub.logger.info("sentence %d segmented result: %s" %
+                        (index + 1, result['sentiment_key']))
+
+
+if __name__ == "__main__":
+    infer_with_input_text()

demo/ssd/README.md

+## 关于SSD
+https://github.com/PaddlePaddle/models/tree/develop/fluid/PaddleCV/object_detection
+
+## 创建Module
+本目录包含了创建一个基于POSCAL VOC数据集预训练的SSD模型的Module的脚本。
+通过以下脚本来一键创建一个SSD Module
+```shell
+sh create_module.sh
+```
+NOTE:
+* 如果进行下面示例的脚本或者代码，请确保执行上述脚本
+* 关于创建Module的API和细节，请查看`create_module.py`
+
+## 使用Module预测
+该Module创建完成后，可以通过命令行或者python API两种方式进行预测
+### 命令行方式
+`infer.sh`给出了使用命令行调用Module预测的示例脚本
+通过以下命令试验下效果
+```shell
+sh infer.sh
+```
+### 通过python API
+`infer_by_code.py`给出了使用python API调用Module预测的示例代码
+通过以下命令试验下效果
+```shell
+python infer_by_code.py
+```

demo/ssd/create_module.sh

@@ -3,6 +3,23 @@ set -o nounset
 set -o errexit
 
 script_path=$(cd `dirname $0`; pwd)
-cd $script_path
+module_path=hub_module_ssd
+
+if [ -d $script_path/$module_path ]
+then
+    echo "$module_path already existed!"
+    exit 0
+fi
+
+cd $script_path/resources/
+
+if [ ! -d ssd_mobilenet_v1_pascalvoc ]
+then
+    sh download.sh
+fi
+
+cd $script_path/
 
 python create_module.py
+
+echo "Successfully create $module_path"

demo/ssd/infer_by_code.py

+import os
+import paddle_hub as hub
+
+
+def infer_with_input_text():
+    # get ssd module
+    ssd = hub.Module(module_dir="hub_module_ssd")
+
+    test_img_path = os.path.join("resources", "test", "test_img_bird.jpg")
+
+    # get the input keys for signature 'object_detection'
+    data_format = ssd.processor.data_format(sign_name='object_detection')
+    key = list(data_format.keys())[0]
+
+    # set input dict
+    input_dict = {key: [test_img_path]}
+
+    # execute predict and print the result
+    results = ssd.object_detection(data=input_dict)
+    for result in results:
+        hub.logger.info(result)
+
+
+def infer_with_input_file():
+    # get ssd module
+    ssd = hub.Module(module_dir="hub_module_ssd")
+
+    # get the input keys for signature 'object_detection'
+    data_format = ssd.processor.data_format(sign_name='object_detection')
+    key = list(data_format.keys())[0]
+
+    # parse input file
+    test_csv = os.path.join("resources", "test", "test.csv")
+    test_images = hub.io.reader.csv_reader.read(test_csv)["IMAGE_PATH"]
+
+    # set input dict
+    input_dict = {key: test_images}
+    results = ssd.object_detection(data=input_dict)
+    for result in results:
+        hub.logger.info(result)
+
+
+if __name__ == "__main__":
+    infer_with_input_file()