[cherry-pick]Fix demo of pruning to load pretrained model. (#116)

demo/prune/README.md

@@ -17,7 +17,20 @@
 1). 根据分类模型中[ImageNet数据准备文档](https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/image_classification#%E6%95%B0%E6%8D%AE%E5%87%86%E5%A4%87)下载数据到`PaddleSlim/demo/data/ILSVRC2012`路径下。
 2). 使用`train.py`脚本时，指定`--data`选项为`imagenet`.
 
-## 2. 启动剪裁任务
+## 2. 下载预训练模型
+
+如果使用`ImageNet`数据，建议在预训练模型的基础上进行剪裁，请从[分类库](https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/image_classification#%E5%B7%B2%E5%8F%91%E5%B8%83%E6%A8%A1%E5%9E%8B%E5%8F%8A%E5%85%B6%E6%80%A7%E8%83%BD)中下载合适的预训练模型。
+
+这里以`MobileNetV1`为例，下载并解压预训练模型到当前路径：
+
+```
+wget http://paddle-imagenet-models-name.bj.bcebos.com/MobileNetV1_pretrained.tar
+tar -xf MobileNetV1_pretrained.tar
+```
+
+使用`train.py`脚本时，指定`--pretrained_model`加载预训练模型。
+
+## 3. 启动剪裁任务
 
 通过以下命令启动裁剪任务：
 
@@ -25,8 +38,8 @@
 export CUDA_VISIBLE_DEVICES=0
 python train.py \
 --model "MobileNet" \
---pruned_ratio 0.33 \
---data "imagenet"
+--pruned_ratio 0.31 \
+--data "mnist"
 ```
 
 其中，`model`用于指定待裁剪的模型。`pruned_ratio`用于指定各个卷积层通道数被裁剪的比例。`data`选项用于指定使用的数据集。
@@ -35,7 +48,7 @@ python train.py \
 
 在本示例中，会在日志中输出剪裁前后的`FLOPs`，并且每训练一轮就会保存一个模型到文件系统。
 
-## 3. 加载和评估模型
+## 4. 加载和评估模型
 
 本节介绍如何加载训练过程中保存的模型。
 
@@ -43,14 +56,14 @@ python train.py \
 
 ```
 python eval.py \
---model "mobilenet" \
+--model "MobileNet" \
 --data "mnist" \
 --model_path "./models/0"
 ```
 
 在脚本`eval.py`中，使用`paddleslim.prune.load_model`接口加载剪裁得到的模型。
 
-## 4. 接口介绍
+## 5. 接口介绍
 
 该示例使用了`paddleslim.Pruner`工具类，用户接口使用介绍请参考：[API文档](https://paddlepaddle.github.io/PaddleSlim/api/prune_api/)
 

demo/prune/eval.py

@@ -68,7 +68,7 @@ def eval(args):
     val_feeder = feeder = fluid.DataFeeder(
         [image, label], place, program=val_program)
 
-    load_model(val_program, "./model/mobilenetv1_prune_50")
+    load_model(exe, val_program, args.model_path)
 
     batch_id = 0
     acc_top1_ns = []

demo/prune/train.py

@@ -136,6 +136,8 @@ def compress(args):
             return os.path.exists(
                 os.path.join(args.pretrained_model, var.name))
 
+        _logger.info("Load pretrained model from {}".format(
+            args.pretrained_model))
         fluid.io.load_vars(exe, args.pretrained_model, predicate=if_exist)
 
     val_reader = paddle.batch(val_reader, batch_size=args.batch_size)
@@ -200,6 +202,8 @@ def compress(args):
                            end_time - start_time))
             batch_id += 1
 
+    test(0, val_program)
+
     params = get_pruned_params(args, fluid.default_main_program())
     _logger.info("FLOPs before pruning: {}".format(
         flops(fluid.default_main_program())))

docs/zh_cn/api_cn/prune_api.rst

@@ -378,7 +378,7 @@ load_sensitivities
      }
   }
   sensitivities_file = "sensitive_api_demo.data"
-  with open(sensitivities_file, 'w') as f:
+  with open(sensitivities_file, 'wb') as f:
       pickle.dump(sen, f)
   sensitivities = load_sensitivities(sensitivities_file)
   print(sensitivities)