update code

machine_translation/README.md

@@ -150,7 +150,7 @@ e_{ij}&=align(z_i,h_j)\\\\
 
 注意：$z_{i+1}$和$p_{i+1}$的计算公式同[解码器](#解码器)中的一样。且由于生成时的每一步都是通过贪心法实现的，因此并不能保证得到全局最优解。
 
-## 数据准备
+## 数据准备(默认已提供测试数据，可跳过)
 
 ### 下载与解压缩
 
@@ -315,6 +315,7 @@ pre-wmt14
     - 在目标语言序列的每句话末尾补上`<e>`，作为目标语言的下一个词序列（“target_language_next_word”)
     
     然后通过yield返回给trainer.
+    
     ```python
     def reader_creator(tar_file, file_name, dict_size):
         def reader():
@@ -351,25 +352,26 @@ pre-wmt14
         return reader
     ```
 
-## 模型配置说明
+## 训练流程说明
 
 ### 数据定义
-1. 首先要定义词典大小，数据生成和网络配置都需要用到。
 
-    ```python
-    # source and target dict dim.
-    dict_size = 30000
+首先要定义词典大小，数据生成和网络配置都需要用到。然后获取wmt14的dataset reader。
+
+```python
+# source and target dict dim.
+dict_size = 30000
 
-    reader_dict = {
+feeding = {
     'source_language_word': 0,
     'target_language_word': 1,
     'target_language_next_word': 2
-    }
-    wmt14_reader = paddle.batch(
+}
+wmt14_reader = paddle.batch(
     paddle.reader.shuffle(
         paddle.dataset.wmt14.train(dict_size=dict_size), buf_size=8192),
     batch_size=5)
-    ```
+```
 
 ### 模型结构
 1. 首先，定义了一些全局变量。
@@ -384,7 +386,8 @@ pre-wmt14
 
 2. 其次，实现编码器框架。分为三步：
 
-   2.1 传入已经在data_set中转换成one-hot vector表示的源语言序列$\mathbf{w}$，其类型为integer_value_sequence。
+   2.1 将在dataset reader中生成的用每个单词在字典中的索引表示的源语言序列
+   转换成one-hot vector表示的源语言序列$\mathbf{w}$，其类型为integer_value_sequence。
 
    ```python
     src_word_id = paddle.layer.data(
@@ -543,7 +546,7 @@ pre-wmt14
             train_reader("data/pre-wmt14/train/train"), buf_size=8192),
         batch_size=5)
         
-    reader_dict = {
+    feeding = {
         'source_language_word': 0,
         'target_language_word': 1,
         'target_language_next_word': 2
@@ -567,7 +570,7 @@ pre-wmt14
         reader=wmt14_reader,
         event_handler=event_handler,
         num_passes=10000,
-        reader_dict=reader_dict)
+        feeding=feeding)
     ```
     训练开始后，可以观察到event_handler输出的日志如下：
     ```text