Update README.md

caffe2fluid/README.md

@@ -63,71 +63,9 @@ bash tools/diff.sh alexnet ../../ ../../
 export CAFFE2FLUID_CUSTOM_LAYERS=/path/to/caffe2fluid/kaffe
 ```
 # 模型测试
-目前
-# 模型测试
-## 要点
-1. 将Caffe模型及其对应的网络结构代码转换为Fluid模型和代码。
-2. 通过扩展此工具也可以支持Caffe的自定义图层转换。
-3. `examples/imagenet/tools`中提供了工具可以用于对此Caffe和Fluid预测后输出结果的差异。
-## 准备工作
-该部分主要介绍了使用此工具所需的环境安装。[详情](https://github.com/PaddlePaddle/X2Paddle/blob/master/caffe2fluid/prepare.md)
-## 如何使用
-1. 如果你的python中没有`pycaffe`模块，需要在`./proto`中加入`caffepb`，有以下两种方法可以实现这一操作。
-> ```shell
-> # 从caffe.proto中生成pycaffe
-> bash ./proto/compile.sh
-> # 直接从github上下载
-> cd proto/ && wget https://raw.githubusercontent.com/ethereon/caffe-tensorflow/master/kaffe/caffe/caffeb.py
-> ```
-2. 将Caffe模型转换为Fluid模型
-> ```shell
-> # 将Caffe的模型和prototxt文件存放于`models`文件夹下
-> # 生成Fluid代码和模型文件
-> python convert.py ./models/alexnet.prototxt --caffemodel ./models/alexnet.caffemodel --data-output-path ./models/alexnet.npy --code-output-path ./models/alexnet.py
-> # 将权值参数保存为Fluid模型文件
-> python ./models/alexnet.py ./models/alexnet.npy ./models/fluid
-> # 获取AlexNet中fc8层和prob层的结果
-> python ./models/alexnet.py ./models/alexnet.npy ./models/fluid fc8,prob
-> ```
-3. 转换后并进行预测和比较（此部分需要Caffe和PaddlePaddle框架支持）
-> ```shell
-> cd examples/imagenet
->
-> # 假设通过前一个步骤已经获得`../../models/fluid/model`和`../../models/fluid/params`，则可以使用Fluid进行预测
-> python infer.py infer ../../models/fluid/ data/65.jpeg
->
-> # 同时进行转换和预测
-> bash ./tools/run.sh alexnet ../../models/ ../../models
-> # 其中第一个参数为命名，第二个参数为Caffe代码和模型的存放路径，第三个参数为Fluid代码和模型的存放路径
-> # 注意，Caffe和Fluid代码和模型的命名必须相同，只是后缀不同
->
-> # 计算Caffe输出和Fluid输出的差异
-> bash ./tools/diff.sh alexnet ../../models/ ../../models
-> # 其中第一个参数为命名，第二个参数为Caffe代码和模型的存放路径，第三个参数为Fluid代码和模型的存放路径
-> # 注意，Caffe和Fluid代码和模型的命名必须相同，只是后缀不同
-> ```
-## 如何转换自定义层
-1. 在`kaffe/custom_layers`实现自定义的层，例如：mylayer.py   
-  -实现`shape_func(input_shape, [other_caffe_params])`来计算输出的大小   
-	-实现`layer_func(input_shape, [other_caffe_params])`来构造一个Fluid层   
-	-运用这两个功能`register(kind='MyType', shape=shape_func, layer=layer_func)`    
-	-注意：更多的示例可以从`kaffe/custom_layers`中找到
-2. 将`import mylayer`添加到`kaffe/custom_layers/\__\_init__.py`中  
-3. 准备你的pycaffe作为你的定制版本（与以前的env准备相同）  
-	-选择一：编译你自己的`caffe.proto`来代替`proto/caffe.proto`  
-	-选择二：更换你的`pycaffe`到特定的版本  
-4. 将Caffe模型转换为Fluid模型
-5. 设置环境变量`$CAFFE2FLUID_CUSTOM_LAYERS`为`custom_layers`的父目录
-> ```shell
-> export CAFFE2FLUID_CUSTOM_LAYERS=/path/to/caffe2fluid/kaffe
-> ```
-6. 使用转换好的模型
-## 可测试的模型
+caffe2fluid在如下模型上通过测试
 - [Lenet](https://github.com/ethereon/caffe-tensorflow/blob/master/examples/mnist)
 - [ResNet(ResNet-50,ResNet-101,ResNet-152)](https://onedrive.live.com/?authkey=%21AAFW2-FVoxeVRck&id=4006CBB8476FF777%2117887&cid=4006CBB8476FF777)
 - [GoogleNet](https://gist.github.com/jimmie33/7ea9f8ac0da259866b854460f4526034)
 - [VGG](https://gist.github.com/ksimonyan/211839e770f7b538e2d8)
 - [AlexNet](https://github.com/BVLC/caffe/tree/master/models/bvlc_alexnet)
-
-
-