Update api v2 in image classification

image_classification/README.md

@@ -162,7 +162,7 @@ from vgg import vgg_bn_drop
 from resnet import resnet_cifar10
 
 # PaddlePaddle init
-paddle.init(use_gpu=True)
+paddle.init(use_gpu=False, trainer_count=1)
 ```
 
 本教程中我们提供了VGG和ResNet两个模型的配置。
@@ -221,7 +221,7 @@ paddle.init(use_gpu=True)
         return fc2
 	```
 	
-	2.1. 首先定义了一组卷积网络，即conv_block。卷积核大小为3x3，池化窗口大小为2x2，窗口滑动大小为2，groups决定每组VGG模块是几次连续的卷积操作，dropouts指定Dropout操作的概率。所使用的`img_conv_group`是在`paddle.trainer_config_helpers`中预定义的模块，由若干组 `Conv->BN->ReLu->Dropout` 和 一组 `Pooling` 组成，
+	2.1. 首先定义了一组卷积网络，即conv_block。卷积核大小为3x3，池化窗口大小为2x2，窗口滑动大小为2，groups决定每组VGG模块是几次连续的卷积操作，dropouts指定Dropout操作的概率。所使用的`img_conv_group`是在`paddle.networks`中预定义的模块，由若干组 `Conv->BN->ReLu->Dropout` 和 一组 `Pooling` 组成，
 	
 	2.2. 五组卷积操作，即 5个conv_block。 第一、二组采用两次连续的卷积操作。第三、四、五组采用三次连续的卷积操作。每组最后一个卷积后面Dropout概率为0，即不使用Dropout操作。
 	
@@ -327,11 +327,6 @@ def resnet_cifar10(ipt, depth=32):
     return pool
 ```
 
-### 优化算法
-
-
-
-
 ## 训练模型
 
 ### 定义参数
@@ -351,7 +346,7 @@ print parameters.keys()
 
 ### 构造训练(Trainer)
 
-根据网络拓扑结构和模型参数来构造出trainer用来训练，在构造时还需指定优化方法，这里使用最基本的SGD方法(momentum设置为0)，同时设定了学习率、正则等。
+根据网络拓扑结构和模型参数来构造出trainer用来训练，在构造时还需指定优化方法，这里使用最基本的Momentum方法，同时设定了学习率、正则等。
 
 ```python
 # Create optimizer
@@ -367,7 +362,7 @@ momentum_optimizer = paddle.optimizer.Momentum(
 # Create trainer
 trainer = paddle.trainer.SGD(cost=cost,
                              parameters=parameters,
-                             update_equation=momentum_optimizer)    
+                             update_equation=momentum_optimizer)
 ```
 
 通过 `learning_rate_decay_a` (简写$a$） 、`learning_rate_decay_b` (简写$b$) 和 `learning_rate_schedule` 指定学习率调整策略，这里采用离散指数的方式调节学习率，计算公式如下， $n$ 代表已经处理过的累计总样本数，$lr_{0}$ 即为 `settings` 里设置的 `learning_rate`。
@@ -380,17 +375,17 @@ $$  lr = lr_{0} * a^ {\lfloor \frac{n}{ b}\rfloor} $$
 cifar.train10()每次产生一条样本，在完成shuffle和batch之后，作为训练的输入。
 
 ```python
-reader=paddle.reader.batched(
+reader=paddle.reader.batch(
     paddle.reader.shuffle(
         paddle.dataset.cifar.train10(), buf_size=50000),
         batch_size=128)
 ```
 
-通过`reader_dict`来指定每一个数据和`paddle.layer.data`的对应关系。例如: `cifar.train10()`产生数据的第0列对应image层的特征。
+通过`feeding`来指定每一个数据和`paddle.layer.data`的对应关系。例如: `cifar.train10()`产生数据的第0列对应image层的特征。
 
 ```python
-reader_dict={'image': 0,
-             'label': 1}
+feeding={'image': 0,
+         'label': 1}
 ```
 
 可以使用`event_handler`回调函数来观察训练过程，或进行测试等, 该回调函数是`trainer.train`函数里设定。
@@ -407,10 +402,10 @@ def event_handler(event):
             sys.stdout.flush()
     if isinstance(event, paddle.event.EndPass):
         result = trainer.test(
-            reader=paddle.reader.batched(
+            reader=paddle.reader.batch(
                 paddle.dataset.cifar.test10(), batch_size=128),
             reader_dict={'image': 0,
-                          'label': 1})
+                         'label': 1})
         print "\nTest with Pass %d, %s" % (event.pass_id, result.metrics)
 ```
 
@@ -421,7 +416,7 @@ trainer.train(
     reader=reader,
     num_passes=200,
     event_handler=event_handler,
-    reader_dict=reader_dict)
+    feeding=feeding)
 ```
 
 一轮训练log示例如下所示，经过1个pass， 训练集上平均error为0.6875 ，测试集上平均error为0.8852 。

image_classification/train.py

@@ -13,7 +13,9 @@
 # limitations under the License
 
 import sys
+
 import paddle.v2 as paddle
+
 from vgg import vgg_bn_drop
 from resnet import resnet_cifar10
 
@@ -23,7 +25,7 @@ def main():
     classdim = 10
 
     # PaddlePaddle init
-    paddle.init(use_gpu=True, trainer_count=1)
+    paddle.init(use_gpu=False, trainer_count=1)
 
     image = paddle.layer.data(
         name="image", type=paddle.data_type.dense_vector(datadim))
@@ -66,10 +68,10 @@ def main():
                 sys.stdout.flush()
         if isinstance(event, paddle.event.EndPass):
             result = trainer.test(
-                reader=paddle.reader.batched(
+                reader=paddle.batch(
                     paddle.dataset.cifar.test10(), batch_size=128),
-                reader_dict={'image': 0,
-                             'label': 1})
+                feeding={'image': 0,
+                         'label': 1})
             print "\nTest with Pass %d, %s" % (event.pass_id, result.metrics)
 
     # Create trainer
@@ -77,14 +79,14 @@ def main():
                                  parameters=parameters,
                                  update_equation=momentum_optimizer)
     trainer.train(
-        reader=paddle.reader.batched(
+        reader=paddle.batch(
             paddle.reader.shuffle(
                 paddle.dataset.cifar.train10(), buf_size=50000),
             batch_size=128),
         num_passes=200,
         event_handler=event_handler,
-        reader_dict={'image': 0,
-                     'label': 1})
+        feeding={'image': 0,
+                 'label': 1})
 
 
 if __name__ == '__main__':