update cv turtorial, add predict code

docs/turtorial/cv_finetune_turtorial.md

@@ -47,14 +47,20 @@ import paddlehub as hub
 import paddle.fluid as fluid
 ```
 
-接下来我们要在PaddleHub中选择合适的预训练模型来Finetune，由于猫狗分类是一个图像分类任务，因此我们使用resnet50作为预训练模型（PaddleHub提供了丰富的预训练模型，我们建议您尝试不同的预训练模型来获得更好的性能）
+接下来我们要在PaddleHub中选择合适的预训练模型来Finetune，由于猫狗分类是一个图像分类任务，因此我们使用经典的resnet50作为预训练模型（PaddleHub提供了丰富的预训练模型，我们建议您尝试不同的预训练模型来获得更好的性能）
 
 ```python
-cv_classifer_module = hub.Module(name = "resnet_v2_50_imagenet")
-# cv_classifer_module = hub.Module(name = "resnet_v2_101_imagenet")
-# cv_classifer_module = hub.Module(name = "resnet_v2_152_imagenet")
-# cv_classifer_module = hub.Module(name = "nasnet_imagenet")
-# cv_classifer_module = hub.Module(name = "mobilenet_v2_imagenet")
+module_map = {
+    "resnet50": "resnet_v2_50_imagenet",
+    "resnet101": "resnet_v2_101_imagenet",
+    "resnet152": "resnet_v2_152_imagenet",
+    "mobilenet": "mobilenet_v2_imagenet",
+    "nasnet": "nasnet_imagenet",
+    "pnasnet": "pnasnet_imagenet"
+}
+
+module_name = module_map["resnet50"]
+cv_classifer_module = hub.Module(name = module_name)
 ```
 
 ## 三、数据准备
@@ -62,15 +68,15 @@ cv_classifer_module = hub.Module(name = "resnet_v2_50_imagenet")
 接着需要加载图片数据集。我们需要自己切分数据集，将数据集且分为训练集、验证集和测试集。
 
 同时使用三个文本文件来记录对应的图片路径和标签
-
+```
 ├─data: 数据目录
   ├─train_list.txt：训练集数据列表
   ├─test_list.txt：测试集数据列表
   ├─validate_list：验证集数据列表
   └─……
-
+```
 每个文件的格式如下
-```text
+```
 图片1路径 图片1标签
 图片2路径 图片2标签
 ……
@@ -80,7 +86,7 @@ cv_classifer_module = hub.Module(name = "resnet_v2_50_imagenet")
 
 ```python
 # 使用本地数据集
-class mydataset(paddlehub.ImageClassificationDataset):
+class mydataset(hub.ImageClassificationDataset):
     self.base_path = "data"
     self.train_list_file = "train_list.txt"
     self.test_list_file = "test_list.txt"
@@ -94,7 +100,7 @@ dataset = mydataset()
 
 ```python
 # 直接用PaddleHub提供的数据集
-dataset = paddlehub.dataset.dogcat()
+dataset = hub.dataset.DogCat()
 ```
 
 接着生成一个图像分类的reader，reader负责将dataset的数据进行预处理，接着以特定格式组织并输入给模型进行训练。
@@ -123,13 +129,13 @@ data_reader = hub.reader.ImageClassificationReader(
 ```python
 input_dict, output_dict, program = cv_classifer_module.context(trainable=True)
 
-with fluid.program_guard(program):
-    label = fluid.layers.data(name="label", dtype="int64", shape=[1])
-    img = input_dict["image"]
-    feature_map = output_dict["feature_map"]
-    feed_list = [img.name, label.name]
-    task = hub.create_img_classification_task(
-        feature=feature_map, label=label, num_classes=dataset.num_labels)
+img = input_dict["image"]
+feature_map = output_dict["feature_map"]
+
+task = hub.create_img_cls_task(
+    feature=feature_map, num_classes=dataset.num_labels)
+
+feed_list = [img.name, task.variable("label").name]
 ```
 
 ## 五、选择运行时配置
@@ -146,7 +152,7 @@ with fluid.program_guard(program):
 
 `checkpoint_dir`：将训练的参数和数据保存到cv_finetune_turtorial_demo目录中
 
-更多运行配置，请查看[RunConfig](https://github.com/PaddlePaddle/PaddleHub/tree/develop/docs/API.md)
+更多运行配置，请查看[RunConfig](https://github.com/PaddlePaddle/PaddleHub/tree/develop/docs/API/RunConfig.md)
 
 ```python
 config = hub.RunConfig(
@@ -170,14 +176,69 @@ hub.finetune_and_eval(
 
 训练过程中的性能数据会被记录到本地，我们可以通过visualdl来可视化这些数据
 
-我们在shell中输入以下命令来启动visualdl
+我们在shell中输入以下命令来启动visualdl，其中`${HOST_IP}`为本机IP，需要用户自行指定
 ```shell
-$ visualdl --logdir ./cv_finetune_turtorial_demo --host ${HOST_IP}
+$ visualdl --logdir ./cv_finetune_turtorial_demo --host ${HOST_IP} --port 8989
 ```
 
-启动服务后，我们使用浏览器访问指定的url，可以看到训练以及预测的loss曲线和accuracy曲线
+启动服务后，我们使用浏览器访问`${HOST_IP}:8989`，可以看到训练以及预测的loss曲线和accuracy曲线
 ![img](https://paddlehub.bj.bcebos.com/resources/cv_turtorial_vdl_log.JPG)
 
 ## 八、使用模型进行预测
 
-当Finetune完成后，我们使用模型来进行预测，首先我们需要加载下训练好的参数
+当Finetune完成后，我们使用模型来进行预测，整个预测流程大致可以分为以下几步：
+1. 构建网络
+2. 生成预测数据的Reader
+3. 切换到预测的Program
+4. 加载预训练好的参数
+5. 运行Program进行预测
+
+`注意`：预测所用的测试图片请自行准备
+
+完整代码如下：
+```python
+import os
+import numpy as np
+def predict():
+    # Step 1: build Program
+    input_dict, output_dict, program = cv_classifer_module.context(trainable=True)
+    img = input_dict["image"]
+    feature_map = output_dict["feature_map"]
+    task = hub.create_img_cls_task(
+        feature=feature_map, num_classes=dataset.num_labels)
+    feed_list = [img.name]
+
+    # Step 2: create data reader
+    data = [
+        "test_img_dog.jpg",
+        "test_img_cat.jpg"
+    ]
+
+    data_reader = hub.reader.ImageClassificationReader(
+        image_width=cv_classifer_module.get_expected_image_width(),
+        image_height=cv_classifer_module.get_expected_image_height(),
+        images_mean=cv_classifer_module.get_pretrained_images_mean(),
+        images_std=cv_classifer_module.get_pretrained_images_std(),
+        dataset=None)
+
+    predict_reader = data_reader.data_generator(
+        phase="predict", batch_size=1, data=data)
+
+    # Step 3: switch to inference program
+    with fluid.program_guard(task.inference_program()):
+        # Step 4: load pretrained parameters
+        place = fluid.CPUPlace()
+        exe = fluid.Executor(place)
+        pretrained_model_dir = os.path.join("cv_finetune_turtorial_demo", "best_model")
+        fluid.io.load_persistables(exe, pretrained_model_dir)
+        feeder = fluid.DataFeeder(feed_list=feed_list, place=place)
+        # Step 5: predict
+        for index, batch in enumerate(predict_reader()):
+            result, = exe.run(
+                feed=feeder.feed(batch), fetch_list=[task.variable('probs')])
+            predict_result = np.argsort(result[0])[::-1][0]
+            print("input %i is %s, and the predict result is %s" %
+                  (index+1, data[index], predict_result))
+
+predict()
+```