Merge pull request #165 from LielinJiang/fix-some-bugs-0217

Fix some bugs from QA

pdseg/__init__.py

@@ -14,4 +14,4 @@
 # limitations under the License.
 import models
 import utils
-import tools
\ No newline at end of file
+from . import tools
\ No newline at end of file

slim/distillation/README.md

@@ -93,6 +93,8 @@ python -m paddle.distributed.launch ./slim/distillation/train_distill.py \
 --do_eval 
 ```
 
+注意：如需修改配置文件中的参数，请在对应的配置文件中直接修改，暂不支持命令行输入覆盖。
+
 ## 评估预测
 
 训练完成后的评估和预测请参考PaddleSeg的[快速入门](../../README.md#快速入门)和[基础功能](../../README.md#基础功能)等章节

slim/nas/README.md

@@ -11,7 +11,7 @@
 ## 概述
 
 我们选取Deeplab+mobilenetv2模型作为神经网络搜索示例，该示例使用[PaddleSlim](https://github.com/PaddlePaddle/PaddleSlim)
-辅助完成神经网络搜索实验，具体技术细节，请您参考[神经网络搜索策略](https://github.com/PaddlePaddle/PaddleSlim/blob/develop/docs/docs/tutorials/nas_demo.md)。
+辅助完成神经网络搜索实验，具体技术细节，请您参考[神经网络搜索策略](https://github.com/PaddlePaddle/PaddleSlim/blob/4670a79343c191b61a78e416826d122eea52a7ab/docs/zh_cn/tutorials/image_classification_nas_quick_start.ipynb)。
 
 
 ## 定义搜索空间

turtorial/finetune_fast_scnn.md

 # Fast-SCNN模型训练教程
 
-* 本教程旨在介绍如何通过使用PaddleSeg提供的 ***`Fast_scnn_cityscape`*** 预训练模型在自定义数据集上进行训练。
+* 本教程旨在介绍如何通过使用PaddleSeg提供的 ***`Fast_scnn_cityscapes`*** 预训练模型在自定义数据集上进行训练。
 
 * 在阅读本教程前，请确保您已经了解过PaddleSeg的[快速入门](../README.md#快速入门)和[基础功能](../README.md#基础功能)等章节，以便对PaddleSeg有一定的了解
 
@@ -16,10 +16,6 @@ python dataset/download_pet.py
 
 ## 二. 下载预训练模型
 
-关于PaddleSeg支持的所有预训练模型的列表，我们可以从[模型组合](#模型组合)中查看我们所需模型的名字和配置
-
-接着下载对应的预训练模型
-
 ```shell
 python pretrained_model/download_model.py fast_scnn_cityscapes
 ```
@@ -114,8 +110,10 @@ python pdseg/eval.py --use_gpu --cfg ./configs/fast_scnn_pet.yaml
 
 | 模型 | eval size | inference time | mIoU on cityscape val|
 |---|---|---|---|
-| DeepLabv3+/MobileNetv2/bn | (1024, 2048) |24.12ms| 0.698|
-| ICNet/bn |(1024, 2048) |25.24ms| 0.6831 |
-| Fast-SCNN/bn | (1024, 2048) |17.24ms| 0.6964 |
+| DeepLabv3+/MobileNetv2/bn | (1024, 2048) |16.14ms| 0.698|
+| ICNet/bn |(1024, 2048) |8.76ms| 0.6831 |
+| Fast-SCNN/bn | (1024, 2048) |6.28ms| 0.6964 |
+
+上述测试环境为v100.