From 9dd37bfe3772d450c0f3f9c739238fc45f06ea12 Mon Sep 17 00:00:00 2001
From: ceci3 <592712189@qq.com>
Date: Fri, 12 Jun 2020 12:03:40 +0000
Subject: [PATCH] update

---
 docs/zh_cn/quick_start/nas_tutorial_example.md | 18 ++++++++++--------
 1 file changed, 10 insertions(+), 8 deletions(-)

diff --git a/docs/zh_cn/quick_start/nas_tutorial_example.md b/docs/zh_cn/quick_start/nas_tutorial_example.md
index be9230bb..ac97a1bb 100644
--- a/docs/zh_cn/quick_start/nas_tutorial_example.md
+++ b/docs/zh_cn/quick_start/nas_tutorial_example.md
@@ -1,6 +1,9 @@
 # 图像分类网络结构搜索-快速开始
 
-该教程以图像分类模型MobileNetV2为例，说明如何在cifar10数据集上快速使用[网络结构搜索接口](../api/nas_api.md)。
+该教程以图像分类模型MobileNetV2为例，说明如何在CIFAR10数据集上快速使用[网络结构搜索接口](../api/nas_api.md)基于模拟退火（Simulated Annealing，简称SA）的方式进行网络结构搜索。
+
+模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。详细算法可以参考[模拟退火](https://github.com/PaddlePaddle/PaddleSlim/blob/develop/docs/zh_cn/algo/algo.md#411-%E6%A8%A1%E6%8B%9F%E9%80%80%E7%81%AB)
+
 Tips: 运行该示例前请确认已正确安装Paddle和PaddleSlim。
 
 该示例包含以下步骤：
@@ -15,8 +18,7 @@ Tips: 运行该示例前请确认已正确安装Paddle和PaddleSlim。
 以下章节依次介绍每个步骤的内容。
 
 # 1. 加载示例数据
-NEED to add more description
-使用的示例数据集为cifar10，paddle框架中`paddle.dataset.cifar`包括了cifar数据集的下载和读取，代码如下：
+使用的示例数据集为CIFAR10，CIFAR10数据集共有60000张彩色图片，图像大小是32\*32，分为10个类，每类6000张图片。训练集包含50000张图片，共有10个类别，每类从6000张>图片中随机选取5000张图片，剩下的图片组成测试集，测试集包含10000张图片。paddle框架中`paddle.dataset.cifar`包括了cifar数据集的下载和读取，代码如下：
 ```python
 import paddle
 import paddle.fluid as fluid
@@ -29,9 +31,9 @@ eval_feeder = fluid.DataFeeder(inputs, fluid.CPUPlace())
 
 
 # 2. 构建模型
-NEED to add more description
+本示例是基于MobileNetV2搜索空间进行网络结构搜索的，MobileNetV2是一个基于inverted residual的轻量级网络，详细信息可以查看[MobileNetV2: Inverted Residuals and Linear Bottlenecks](https://arxiv.org/abs/1801.04381)
 ```python
-### 初始化SANAS实例
+### 初始化SANAS实例，指定搜索空间为MobileNetV2。
 sanas = slim.nas.SANAS(configs=[('MobileNetV2Space')], server_addr=("", 8337), save_checkpoint=None)
 ### 获取当前搜索到的模型结构
 archs = sanas.next_archs()[0]
@@ -62,7 +64,7 @@ with fluid.program_guard(train_program, startup_program):
 ```
 
 # 3. 开始训练当前网络结构
-NEED to add more description
+根据上面一步拿到的模型结构构造的训练program开始训练。
 ```python
 outputs = [avg_cost.name, acc_top1.name, acc_top5.name]
 for data in train_reader():
@@ -71,7 +73,7 @@ for data in train_reader():
 ```
 
 # 4. 开始评估当前网络结构
-NEED to add more description
+评估第3步中训练的模型结构。
 ```python
 reward = []
 for data in eval_reader():
@@ -84,7 +86,7 @@ print("FINAL TEST: avg_cost: {}, acc1: {}, acc5: {}".format(finally_reward[0], f
 ```
 
 # 5. 回传当前网络结构的得分
-NEED to add more description
+在当前模型结构训练和评估完成后回传最终的评估结果，SANAS会根据这个结果更新下一轮的模型结构。
 ```python
 sanas.reward(float(finally_reward[1]))
 ```
-- 
GitLab