fix the docs

f729a29c · SunAhong1993 · fd3c33a8 · fd3c33a8 · f729a29c · f729a29c
8 changed file
--- a/caffe_custom_layer.md
+++ b/caffe_custom_layer.md
-目前，代码中已经提供了10个非官方op（不在[官网](http://caffe.berkeleyvision.org/tutorial/layers)上的op）的转换，这些op对应的Caffe实现源码如下：
-
-| op | 该版本实现源码 |
-|-------|--------|
-| PriorBox | [code](https://github.com/weiliu89/caffe/blob/ssd/src/caffe/layers/prior_box_layer.cpp) |
-| DetectionOutput | [code](https://github.com/weiliu89/caffe/blob/ssd/src/caffe/layers/detection_output_layer.cpp) |
-| ConvolutionDepthwise | [code](https://github.com/farmingyard/caffe-mobilenet/blob/master/conv_dw_layer.cpp) |
-| ShuffleChannel | [code](https://github.com/farmingyard/ShuffleNet/blob/master/shuffle_channel_layer.cpp) |
-| Permute | [code](https://github.com/weiliu89/caffe/blob/ssd/src/caffe/layers/permute_layer.cpp) |
-| Normalize | [code](https://github.com/weiliu89/caffe/blob/ssd/src/caffe/layers/normalize_layer.cpp) |
-| ROIPooling | [code](https://github.com/rbgirshick/caffe-fast-rcnn/blob/0dcd397b29507b8314e252e850518c5695efbb83/src/caffe/layers/roi_pooling_layer.cpp) |
-| Axpy | [code](https://github.com/hujie-frank/SENet/blob/master/src/caffe/layers/axpy_layer.cpp) |
-| ReLU6 | [code](https://github.com/chuanqi305/ssd/blob/ssd/src/caffe/layers/relu6_layer.cpp) |
-| Upsample | [code](https://github.com/eric612/MobileNet-YOLO/blob/master/src/caffe/layers/upsample_layer.cpp) |
--- a/op_list.md
+++ b/op_list.md
@@ -24,7 +24,11 @@
 | 57 | Sqrt             | 58 | Softplus       | 59 | Erf            | 60 | AddV2                 |
 | 61 | LessEqual        | 62 | BatchMatMul    | 63 | BatchMatMulV2  | 64 | ExpandDims            |
 | 65 | BatchToSpaceND   | 66 | SpaceToBatchND | 67 | OneHot         | 68 | Pow                   |
-| 69 | All              | 70 | GatherV2       | 71 | IteratorV2     |    |                       |
+| 69 | All              | 70 | GatherV2       | 71 | IteratorV2     | 72 | Neg |
+| 73 | Greater | 74 | FloorMod | 75 | LogicalAdd | 76 | Prod |
+| 77 | Equal | 78 | Conv3D | 79 | Ceil | 80 | AddN |
+| 81 | DivNoNan | 82 | Where | 83 | MirrorPad | 84 | Size |
+| 85 | TopKv2 |  |  |  |  |  |  |

 ## Caffe

@@ -58,3 +62,44 @@
 | 45 | Squeeze  | 46 | Equal     | 47 | Identity  | 48 | GlobalAveragePool  |
 | 49 | MaxPool  | 50 | Conv      | 51 | Gemm      | 52 | NonZero            |
 | 53 | Abs      | 54 | Floor     |
+
+## PyTorch
+Aten:
+| 序号 | OP | 序号 | OP | 序号 | OP | 序号 | OP |
+|------|------|------|------|------|------|------|------|
+| 1  | aten::abs | 2  | aten::adaptive_avg_pool2d | 3  | aten::addmm | 4  | aten::add |
+| 5  | aten::add\_ | 6  | aten::\_\_and\_\_ | 7  | aten::append | 8  | aten::arange |
+| 9  | aten::avg\_pool2d | 10 | aten::avg\_pool3d | 11 | aten::avg_pool1d | 12 | aten::batch_norm |
+| 13 | aten::cat | 14 | aten::chunk | 15 | aten::clamp | 16 | aten::\_\_contains\_\_ |
+| 17 | aten::constant\_pad\_nd | 18 | aten::contiguous | 19 | aten::conv2d | 20 | aten::\_convolution |
+| 21 | aten::conv_transpose2d | 22 | aten::cos | 23 | aten::cumsum | 24 | aten::detach |
+| 25 | aten::dict | 26 | aten::dim | 27 | aten::div\_ | 28 | aten::div   |
+| 29 | aten::dropout | 30 | aten::dropout_ | 31 | aten::embedding | 32 | aten::eq     |
+| 33 | aten::exp | 34 | aten::expand | 35 | aten::expand_as | 36 | aten::eye |
+| 37 | aten::feature_dropout | 38 | aten::flatten | 39 | aten::Float | 40 | aten::floor |
+| 41 | aten::floordiv | 42 | aten::floor_divide | 43 | aten::full_like | 44 | aten::gather |
+| 45 | aten::gelu | 46 | aten::\_\_getitem\_\_ | 47 | aten::gt | 48 | aten::hardtanh\_ |
+| 49 | aten::index\_select | 50 | aten::Int | 51 | aten::\_\_is\_\_ | 52 | aten::\_\_isnot\_\_ |
+| 53 | aten::layer\_norm | 54 | aten::le |55|aten::leaky\_relu\_|56|aten::len|
+| 57 | aten::log | 58 | aten::lt |59|aten::masked\_fil\l_|60|aten::masked\_fill|
+| 61 | aten::max | 62 | aten::max\_pool2d |63|aten::matmul|64|aten\_min|
+| 65 | aten::mean | 66 | aten::meshgrid |67|aten::mul|68|aten::mul\_|
+| 69 | aten::ne | 70 | aten::neg |71|aten::\_\_not\_\_|72|aten::ones|
+| 73 | aten::permute | 74 | aten::pow |75|aten::relu|76|aten::relu\_|
+| 77 | aten::relu6 | 78 | aten::repeat |79|aten::reshape|80|aten::rsub|
+| 81 | aten::ScalarImplicit | 82 | aten::select |83|aten::\_set\_item|84|aten::sigmoid|
+| 85 | aten::sin | 86 | aten::size |87|aten::slice|88|aten::softmax|
+| 89 | aten::softplus | 90 | aten::sqrt |91|aten::squeeze|92|aten::stack|
+| 93 | aten::sub | 94 | aten::t |95|aten::tanh|96|aten::split|
+| 97 | aten::transpose | 98 | aten::to |99|aten::type\_as|100|aten::unsqueeze|
+| 101 | aten::upsample\_bilinear2d | 102 | aten::values |103|aten::view|104|aten::warn|
+| 105 | aten::where | 106 | aten::zeros |107|aten::zeros\_like|||
+
+Prim:
+| 序号 | OP | 序号 | OP | 序号 | OP | 序号 | OP |
+|------|------|------|------|------|------|------|------|
+| 1  | prim::Constant | 2  | prim::data | 3  | prim::DictConstruct | 4  | prim::GetAttr |
+| 5  | prim::If | 6  | prim::ListConstruct | 7  | prim::ListUnpack     | 8  | prim::Loop     |
+| 9  | prim::min | 10 | prim::NumToTensor | 11 | prim::RaiseException | 12 | prim::requires\_grad |
+| 13 | prim::SetAttr | 14 | prim::shape | 15 | prim::TupleConstruct | 16 | prim::TupleUnpack |
+| 17 | prim::unchecked\_cast | 18 | prim::Uninitialized | ||||
--- a/x2paddle_model_zoo.md
+++ b/x2paddle_model_zoo.md
@@ -74,3 +74,25 @@
 |Ultra-Light-Fast-Generic-Face-Detector-1MB| [onnx_model](https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB/tree/master/models/onnx)|9 |
 |BERT| [pytorch(huggingface)](https://github.com/huggingface/transformers/blob/master/notebooks/04-onnx-export.ipynb)|11|转换时需指定input shape，见[文档Q3](FAQ.md)|
 |GPT2| [pytorch(huggingface)](https://github.com/huggingface/transformers/blob/master/notebooks/04-onnx-export.ipynb)|11|转换时需指定input shape，见[文档Q3](FAQ.md)|
+
+
+## PyTorch
+
+| 模型 | 代码 | 备注 |
+|------|----------|------|
+| AlexNet | [code](https://github.com/pytorch/vision/blob/master/torchvision/models/alexnet.py)|-|
+| MNasNet | [code](https://github.com/pytorch/vision/blob/master/torchvision/models/mnasnet.py) |-|
+| MobileNetV2 | [code](https://github.com/pytorch/vision/blob/master/torchvision/models/mobilenet.py) |-|
+| ResNet18 | [code](https://github.com/pytorch/vision/blob/master/torchvision/models/resnet.py) |-|
+| ShuffleNetV2 | [code](https://github.com/pytorch/vision/blob/master/torchvision/models/shufflenet.py) |-|
+| SqueezeNet | [code](https://github.com/pytorch/vision/blob/master/torchvision/models/squeezenet.py) |-|
+| VGG16 | [code](https://github.com/pytorch/vision/blob/master/torchvision/models/vgg.py) |-|
+| InceptionV3 | [code](https://github.com/pytorch/vision/blob/master/torchvision/models/inception.py) |-|
+| DeepLabv3_ResNet50 | [code](https://github.com/pytorch/vision/blob/master/torchvision/models/segmentation/deeplabv3.py) |-|
+| FCN_ResNet50 | [code](https://github.com/pytorch/vision/blob/master/torchvision/models/segmentation/fcn.py) |-|
+| CamembertForQuestionAnswering | [code](https://huggingface.co/transformers/model_doc/camembert.html) |只支持trace模式|
+| DPRContextEncoder | [code](https://huggingface.co/transformers/model_doc/dpr.html) |只支持trace模式|
+| ElectraModel | [code](https://huggingface.co/transformers/model_doc/electra.html ) |只支持trace模式|
+| FlaubertModel | [code](https://huggingface.co/transformers/model_doc/flaubert.html) |只支持trace模式|
+| Roberta| [code](https://huggingface.co/transformers/model_doc/roberta.html)  |只支持trace模式|
+| XLMRobertaForTokenClassification|[code](https://huggingface.co/transformers/model_doc/xlmroberta.html)  |只支持trace模式|
--- a/FAQ.md
+++ b/FAQ.md
@@ -23,3 +23,20 @@ A: 此提示为错误信息，表示该模型的转换需要固定的输入大
 > 1. 模型来源于PaddleX导出，可以在导出的命令中，指定--fixed_input_shape=[Height,Width]，详情可见：[PaddleX模型导出文档](https://github.com/PaddlePaddle/PaddleX/blob/develop/docs/deploy/export_model.md)。
 > 2. 模型来源于PaddleDetection导出，可以在导出模型的时候，指定 TestReader.inputs_def.image_shape=[Channel,Height,Width], 详情可见：[PaddleDetection模型导出文档](https://github.com/PaddlePaddle/PaddleDetection/blob/master/docs/advanced_tutorials/deploy/EXPORT_MODEL.md#设置导出模型的输入大小)。
 > 3. 模型来源于自己构建，可在网络构建的`fluid.data(shape=[])`中，指定shape参数来固定模型的输入大小。
+
+
+**Q6. 进行动态图转换时，提示『Fail to generate inference model! Problem happend while export inference model from python code...』**
+A: 此提示为无法将动态图代码转换为静态图模型，有两种可能：
+> 使用动态图代码确认转换后的代码是否正确，可使用如下代码进行确认：
+```
+import paddle
+import numpy as np
+np.random.seed(6)
+# ipt为输入数据
+ipt = np.random.rand(1, 3, 224, 224).astype("float32")
+paddle.disable_static()
+# pd_model_dygraph为保存路径（其中的”/“用”.“替换）
+from pd_model_dygraph.x2paddle_code import main
+out =main(ipt)
+```
+> 若运行代码无误，则说明代码中有op不支持动转静，我们将会再未来支持；若报错，则说明pytorch2paddle转换出错，请提issue，我们将及时回复。
\ No newline at end of file
--- a/docs/user_guides/add_caffe_custom_layer.md
+++ b/docs/user_guides/add_caffe_custom_layer.md
+## 如何转换Caffe自定义Layer
+
+本文档介绍如何将Caffe自定义Layer转换为PaddlePaddle模型中的对应实现, 用户可根据自己需要，添加代码实现自定义层，从而支持模型的完整转换。 
+目前，代码中已经提供了10个非官方op（不在[官网](http://caffe.berkeleyvision.org/tutorial/layers)上的op）的转换，这些op对应的Caffe实现源码如下：
+
+| op | 该版本实现源码 |
+|-------|--------|
+| PriorBox | [code](https://github.com/weiliu89/caffe/blob/ssd/src/caffe/layers/prior_box_layer.cpp) |
+| DetectionOutput | [code](https://github.com/weiliu89/caffe/blob/ssd/src/caffe/layers/detection_output_layer.cpp) |
+| ConvolutionDepthwise | [code](https://github.com/farmingyard/caffe-mobilenet/blob/master/conv_dw_layer.cpp) |
+| ShuffleChannel | [code](https://github.com/farmingyard/ShuffleNet/blob/master/shuffle_channel_layer.cpp) |
+| Permute | [code](https://github.com/weiliu89/caffe/blob/ssd/src/caffe/layers/permute_layer.cpp) |
+| Normalize | [code](https://github.com/weiliu89/caffe/blob/ssd/src/caffe/layers/normalize_layer.cpp) |
+| ROIPooling | [code](https://github.com/rbgirshick/caffe-fast-rcnn/blob/0dcd397b29507b8314e252e850518c5695efbb83/src/caffe/layers/roi_pooling_layer.cpp) |
+| Axpy | [code](https://github.com/hujie-frank/SENet/blob/master/src/caffe/layers/axpy_layer.cpp) |
+| ReLU6 | [code](https://github.com/chuanqi305/ssd/blob/ssd/src/caffe/layers/relu6_layer.cpp) |
+| Upsample | [code](https://github.com/eric612/MobileNet-YOLO/blob/master/src/caffe/layers/upsample_layer.cpp) |
+
+添加代码实现自定义层的步骤如下：
+
+***步骤一 下载代码***  
+此处涉及修改源码，应先卸载x2paddle，并且下载源码，主要有以下两步完成：
+```
+pip uninstall x2paddle
+pip install git+https://github.com/PaddlePaddle/X2Paddle.git@develop
+```
+
+***步骤二 编译caffe.proto***  
+该步骤依赖protobuf编译器，其安装过程有以下两种方式：
+> 选择一：pip install protobuf  (protobuf >= 3.6.0)
+> 选择二：使用[官方源码](https://github.com/protocolbuffers/protobuf)进行编译
+
+使用脚本./tools/compile.sh将caffe.proto（包含所需的自定义Layer信息）编译成我们所需的目标语言（Python）  
+使用方式：
+```
+bash ./toos/compile.sh /home/root/caffe/src/caffe/proto
+# /home/root/caffe/src/caffe/proto为caffe.proto的存放路径，生成的caffe_pb2.py也将保存在该路径下
+```
+
+***步骤三 添加自定义Layer的实现代码***
+**静态图方式：**
+- 进入./x2paddle/op_mapper/static/caffe2paddle/caffe_custom_layer，创建.py文件，例如mylayer.py
+- 仿照./x2paddle/op_mapper/static/caffe2paddle/caffe_custom_layer中的其他文件，在mylayer.py中主要需要实现3个函数，下面以roipooling.py为例分析代码：
+  1. `def roipooling_shape(input_shape, pooled_w=None, pooled_h=None)`  
+     参数：
+     1. input_shape（list）：其中每个元素代表该层每个输入数据的shape，为必须传入的参数  
+     2. pooled_w（int）：代表ROI Pooling的kernel的宽，其命名与.prototxt中roi_pooling_param中的key一致
+     3. pooled_h（int）：代表ROI Pooling的kernel的高，其命名与.prototxt中roi_pooling_param中的key一致  
+
+     功能：计算出进行ROI Pooling后的shape  
+     返回：一个list，其中每个元素代表每个输出数据的shape，由于ROI Pooling的输出数据只有一个，所以其list长度为1  
+
+  2. `def roipooling_layer(inputs, input_shape=None, name=None, pooled_w=None, pooled_h=None, spatial_scale=None)`
+
+     参数：
+     1. inputs（list）：其中每个元素代表该层每个输入数据，为必须传入的参数
+     2. input_shape（list）：其中每个元素代表该层每个输入数据的shape，为必须传入的参数  
+     3. name（str）：ROI Pooling层的名字，为必须传入的参数  
+     4. pooled_w（int）：代表ROI Pooling的kernel的宽，其命名与.prototxt中roi_pooling_param中的key一致
+     5. pooled_h（int）：代表ROI Pooling的kernel的高，其命名与.prototxt中roi_pooling_param中的key一致
+     6. spatial_scale（float）：用于将ROI坐标从输入比例转换为池化时使用的比例，其命名与.prototxt中roi_pooling_param中的key一致  
+
+     功能：运用PaddlePaddle完成组网来实现`roipooling_layer`的功能  
+     返回：一个Variable，为组网后的结果
+
+  3. `def roipooling_weights(name, data=None)`  
+
+     参数：
+     1. name（str）：ROI Pooling层的名字，为必须传入的参数
+     2. data（list）：由Caffe模型.caffemodel获得的关于roipooling的参数，roipooling的参数为None
+
+     功能：为每个参数（例如kernel、bias等）命名；同时，若Caffe中该层参数与PaddlePaddle中参数的格式不一致，则变换操作也在该函数中实现。  
+     返回：一个list，包含每个参数的名字。
+
+- 在roipooling.py中注册`roipooling`，主要运用下述代码实现：
+  ```
+  register(kind='ROIPooling', shape=roipooling_shape, layer=roipooling_layer, weights=roipooling_weights)
+  # kind为在model.prototxt中roipooling的type
+  ```
+- 在./x2paddle/op_mapper/caffe_custom_layer/\_\_init\_\_.py中引入该层的使用
+  ```
+  from . import roipooling
+  ```
+**动态图方式：**
+> 【注意】若Caffe自定义layer与Paddle的op一一对应，使用方式一，否则使用方式二。
+
+- 方式一：
+1. 仿照./x2paddle/op_mapper/dygraph/caffe2paddle/caffe_op_mapper.py中的CaffeOpMapper类中的映射方法（输入为self和node），实现类似的映射方法，以下述的映射方法为例：
+```python
+def Permute(self, node):
+    assert len(
+        node.inputs) == 1, "The count of Permute node\'s input is not 1."
+    input = self.graph.get_input_node(node, idx=0, copy=True)
+    params = node.layer.permute_param
+    order = list(params.order)    
+    self.paddle_graph.add_layer(
+        "paddle.transpose",
+        inputs={"x": input.name},
+        outputs=[node.layer_name],
+        perm=order)
+```
+>需完成的步骤：
+>    a. 获取Caffe Layer的属性，并对应转换为Paddle的属性。
+>    b. 获取当前Layer的输入。
+>    c. 使用self.paddle_graph.add_layer为PaddleGraph添加layer。其中，第一个参数代表Paddle的kernel；inputs是一个字典，用于存储paddle中的输入的key与其输入名字；outputs是一个列表，用于存储输出的名字；其余参数为属性对应关系。
+2. 仿照./x2paddle/decoder/caffe_shape_inference.py中的shape_xx方法，实现获取当前Layer输出大小的函数，以下述方法为例：
+```python
+def shape_permute(layer, input_shape):
+    order = layer.permute_param.order
+    inshape = input_shape[0]
+    output_shape = []
+    order = list(order)
+    for ii in order:
+        assert ii < len(inshape), "invalid order for permute[%s]" % (name)
+        output_shape.append(inshape[ii])
+    return [output_shape]
+```
+>参数：
+>    layer (caffe_pb2.LayerParameter): caffe的Layer，可用于获取当前Layer的属性。
+>    input_shape (list): 其中每个元素代表该层每个输入数据的大小。
+
+
+- 方式二：
+1. 进入./x2paddle/op_mapper/dygraph/caffe2paddle/caffe_custom_layer，创建.py文件，例如mylayer.py
+2. 仿照./x2paddle/op_mapper/dygraph/caffe2paddle/caffe_custom_layer中的其他文件，在mylayer.py中主要需要实现1个类，下面以roipooling.py为例分析代码：
+  
+```python
+class ROIPooling(object):
+    def __init__(self, pooled_height, pooled_width, spatial_scale):
+        self.roipooling_layer_attrs = {
+            "pooled_height": pooled_height,
+            "pooled_width": pooled_width,
+            "spatial_scale": spatial_scale}
+
+    def __call__(self, x0, x1):
+        slice_x1 = paddle.slice(input=x1, axes=[1], 
+                                starts=[1], ends=[5])
+        out = fluid.layers.roi_pool(input=x0, 
+                                    rois=slice_x1, 
+                                    **self.roipooling_layer_attrs)
+        return out
+```
+
+>\_\_init\_\_函数：用于初始化各个属性
+>\_\_call\_\_函数：用于组合实现当前Layer的前向，输入为当前Layer所需要的输入
+
+
+3. 仿照./x2paddle/op_mapper/dygraph/caffe2paddle/caffe_op_mapper.py中的CaffeOpMapper类中的映射方法（输入为self和node），实现类似的映射方法，以下述的映射方法为例：
+```python
+def ROIPooling(self, node):
+      roipooling_name = name_generator("roipooling", self.nn_name2id)
+      output_name = node.layer_name
+      layer_outputs = [roipooling_name, output_name]
+      assert len(
+          node.inputs) == 2, "The count of ROIPooling node\'s input is not 2."
+      input0 = self.graph.get_input_node(node, idx=0, copy=True)
+      input1 = self.graph.get_input_node(node, idx=1, copy=True)
+      inputs_dict = {}
+      inputs_dict["x0"] = input0.name
+      inputs_dict["x1"] = input1.name
+      params = node.layer.roi_pooling_param
+      layer_attrs = {
+          "pooled_height": params.pooled_h,
+          "pooled_width": params.pooled_w,
+          "spatial_scale": params.spatial_scale}
+      self.paddle_graph.add_layer(
+          "custom_layer:ROIPooling",
+          inputs=inputs_dict,
+          outputs=layer_outputs,
+          **layer_attrs)
+```
+>需完成的步骤：
+>    a. 获取Caffe Layer的属性，并对应转换为Paddle的属性。
+>    b. 获取当前Layer的输入。
+>    c. 使用self.paddle_graph.add_layer为PaddleGraph添加layer。其中，第一个参数代表Paddle的kernel（此处kernel必须以“custom_layer:“开头）；inputs是一个字典，用于存储paddle中的输入的key与其输入名字；outputs是一个列表，用于存储输出的名字；其余参数为属性对应关系。
+
+4. 仿照./x2paddle/decoder/caffe_shape_inference.py中的shape_xx方法，实现获取当前Layer输出大小的函数，以下述方法为例：
+```python
+def shape_roipooling(layer, input_shape):
+  pooled_w = layer.roi_pooling_param.pooled_w
+  pooled_h = layer.roi_pooling_param.pooled_h
+  base_fea_shape = input_shapes[0]
+  rois_shape = input_shapes[1]
+  output_shape = base_fea_shape
+  output_shape[0] = rois_shape[0]
+  output_shape[2] = pooled_h
+  output_shape[3] = pooled_w
+  return [output_shape]
+
+```
+>参数：
+>    layer (caffe_pb2.LayerParameter): caffe的Layer，可用于获取当前Layer的属性。
+>    input_shape (list): 其中每个元素代表该层每个输入数据的大小。
+
+***步骤四 运行转换代码***
+```
+# 在X2Paddle目录下安装x2paddle
+python setup.py install
+# 运行转换代码
+x2paddle --framework=caffe
+         --prototxt=deploy.proto
+         --weight=deploy.caffemodel
+         --save_dir=pd_model
+         --caffe_proto=/home/root/caffe/src/caffe/proto/caffe_pb2.py
+```
--- a/export_tf_model.md
+++ b/export_tf_model.md
 ## 如何导出TensorFlow模型

 本文档介绍如何将TensorFlow模型导出为X2Paddle支持的模型格式。
+TensorFlow目前一般分为3种保存格式（checkpoint、FrozenModel、SavedModel），X2Paddle支持的是FrozenModel（将网络参数和网络结构同时保存到同一个文件中，并且只保存指定的前向计算子图），下面示例展示了如何导出X2Paddle支持的模型格式。

-TensorFlow提供了接口可将网络参数和网络结构同时保存到同一个文件中，并且只保存指定的前向计算子图，下面示例展示了如何导出tensorflow/models下的VGG16模型
-
+***下列代码Tensorflow 1.X下使用***
+- checkpoint模型+代码
 步骤一 下载模型参数文件
 ```
 wget http://download.tensorflow.org/models/vgg_16_2016_08_28.tar.gz
@@ -42,3 +43,70 @@ load_model(sess)
 # 导出模型
 freeze_model(sess, ["vgg_16/fc8/squeezed"], "vgg16.pb")
 ```
+- 纯checkpoint模型
+文件结构：
+> |--- checkpoint
+> |--- model.ckpt-240000.data-00000-of-00001
+> |--- model.ckpt-240000.index
+> |--- model.ckpt-240000.meta
+
+加载和导出模型：
+```python
+#coding: utf-8
+from tensorflow.python.framework import graph_util
+import tensorflow as tf
+
+# 固化模型函数
+# output_tensor_names: list，指定模型的输出tensor的name
+# freeze_model_path: 模型导出的文件路径
+def freeze_model(sess, output_tensor_names, freeze_model_path):
+    out_graph = graph_util.convert_variables_to_constants(
+        sess, sess.graph.as_graph_def(), output_tensor_names)
+    with tf.gfile.GFile(freeze_model_path, 'wb') as f:
+        f.write(out_graph.SerializeToString())
+
+    print("freeze model saved in {}".format(freeze_model_path))
+    
+# 加载模型参数
+# 此处需要修改input_checkpoint（checkpoint的前缀）和save_pb_file（模型导出的文件路径）
+input_checkpoint = "./tfhub_models/save/model.ckpt"
+save_pb_file = "./tfhub_models/save.pb"
+sess = tf.Session()
+saver = tf.train.import_meta_graph(input_checkpoint + '.meta', clear_devices=True)
+saver.restore(sess, input_checkpoint)
+
+# 此处需要修改freeze_model的第二个参数，指定模型的输出tensor的name
+freeze_model(sess, ["vgg_16/fc8/squeezed"], save_pb_file)
+```
+
+- SavedModel模型
+文件结构：
+> |-- variables
+> |------ variables.data-00000-of-00001
+> |------ variables.data-00000-of-00001
+> |-- saved_model.pb
+
+加载和导出模型：
+```python
+#coding: utf-8
+import tensorflow as tf
+sess = tf.Session(graph=tf.Graph())
+# tf.saved_model.loader.load最后一个参数代表saved_model的保存路径
+tf.saved_model.loader.load(sess, {}, "/mnt/saved_model")
+graph = tf.get_default_graph()
+
+from tensorflow.python.framework import graph_util
+# 固化模型函数
+# output_tensor_names: list，指定模型的输出tensor的name
+# freeze_model_path: 模型导出的文件路径
+def freeze_model(sess, output_tensor_names, freeze_model_path):
+    out_graph = graph_util.convert_variables_to_constants(
+        sess, sess.graph.as_graph_def(), output_tensor_names)
+    with tf.gfile.GFile(freeze_model_path, 'wb') as f:
+        f.write(out_graph.SerializeToString())
+
+    print("freeze model saved in {}".format(freeze_model_path))
+
+# 导出模型
+freeze_model(sess, ["logits"], "model.pb")
+```
\ No newline at end of file
--- a/pytorch_to_onnx.md
+++ b/pytorch_to_onnx.md
--- a/pytorch2paddle.md
+++ b/pytorch2paddle.md
@@ -46,7 +46,7 @@ torch_module.load_state_dict(torch_state_dict)
 torch_module.eval()
 # 进行转换
 from x2paddle.convert import pytorch2paddle
-pytorch2paddle(torch_model, 
+pytorch2paddle(torch_module, 
               save_dir="pd_model_trace", 
               jit_type="trace", 
               input_examples=[torch.tensor(input_data)])