add hapi readme

README.md

-# hapi
-hapi is a High-level API that supports both static and dynamic execution modes (still under development)
+# 简介
+
+PaddleHapi是飞桨新推出的高层API，PaddleHapi是对飞桨API的进一步封装与升级，提供了更加简洁易用的API，进一步提升了飞桨的易学易用性，并增强飞桨的功能。
+
+PaddleHapi面向从深度学习小白到资深开发者的所有人群，对于AI初学者来说，使用PaddleHapi可以简单快速的构建深度学习项目，对于资深开发者来说，可以使用PaddleHapi快速完成算法迭代。
+
+PaddleHapi具有以下特点：
+- 易学易用: 高层API是对普通动态图API的进一步封装和优化，同时保持与普通API的兼容性，高层API使用更加易学易用，同样的实现使用高层API可以节省大量的代码。
+- 低代码开发: 使用飞桨高层API的一个明显特点是，用户可编程代码量大大缩减。
+- 动静转换: 高层API支持动静转换，用户只需要改一行代码即可实现将动态图代码在静态图模式下训练，既方便用户使用动态图调试模型，又提升了模型训练效率。
+
+
+
+在功能增强与使用方式上，高层API有以下升级：
+1. 模型训练方式升级: 高层API中封装了Model类，继承了Model类的神经网络可以仅用几行代码完成模型的训练。
+2. 新增图像处理模块transform: 飞桨新增了图像预处理模块，其中包含十数种数据处理函数，基本涵盖了常用的数据处理、数据增强方法。
+3. 提供常用的神经网络模型可供调用: 高层API中集成了计算机视觉领域和自然语言处理领域常用模型，包括但不限于mobilenet、resnet、yolov3、cyclegan、bert、transformer、seq2seq等等。同时发布了对应模型的预训练模型，用户可以直接使用这些模型或者在此基础上完成二次开发。
+
+
+![](./image/hapi_gif.gif)
+
+
+## 目录
+
+* [特性]()
+* [快速使用]()
+* [新增功能]()
+* [使用示例]()
+
+
+## 特性
+
+### 易学易用
+
+高层API基于飞桨动态图实现，兼容飞桨动态图的所有功能，既秉承了动态图易学、易用、易调试的特点，又对飞桨的动态图做了进一步的封装与优化。
+
+### 低代码开发
+
+相比较与动态图的算法实现，使用高层API实现的算法可编程代码量更少，原始的动态图训练代码需要20多行代码才能完成模型的训练，使用高层API后，仅用8行代码即可实现相同的功能。
+
+使用普通API与高层API实现手写字符识别对比如下图，左边是普通动态图API的实现，右边是使用高层API的实现，可以明显发现，使用高层API的代码量更少。
+![](./new_hapi.png)
+
+
+### 动静统一
+
+高层API中实现了动静统一，用户无需感知到静态图、动态图的区别，只需要改一行代码即可实现将动态图代码在静态图模式下训练。动态图更方便调试模型，静态图的训练方式训练效率更高。
+
+高层API默认采用静态图的训练方式，我们可以使用 fluid.enable_dygraph() 切换到动态图模式下运行。
+
+```
+fluid.CUDAPlace()
+# 一行代码切换动态图训练模式
+fluid.enable_dygraph(place)
+
+# 声明网络结构
+model = Mnist("mnist")
+# 定义优化器
+optimizer = fluid.optimizer.SGDOptimizer(learning_rate=0.001, parameter_list=model.parameters())
+# 调用prepare() 完成训练的配置
+model.prepare(optimizer, CrossEntropy(), Accuracy(), inputs, labels, device='gpu')
+# 调用 fit()，启动模型的训练
+model.fit(train_dataset, val_dataset, batch_size=100, epochs=1, log_freq=100, save_dir="./output/")
+```
+
+## 快速使用
+
+以mnist手写字符识别为例，介绍飞桨高层API的使用方式。
+
+### 1. 搭建网络结构
+
+使用高层API组建网络与动态图的组网方式基本相同，唯一的区别在于，使用高层API组建网络需要继承Model这个类，而普通的动态图组网是需要继承dygraph.Layer类。
+
+高层API组网方式如下
+```
+from paddle.incubate.hapi.model import Model, Input
+from paddle.incubate.hapi.loss import CrossEntropy
+
+class Mnist(Model):
+    def __init__(self, name_scope):
+        super(Mnist, self).__init__()
+        self.fc = Linear(input_dim=784, output_dim=10, act="softmax")
+
+    # 定义网络结构的前向计算过程
+    def forward(self, inputs):
+        outputs = self.fc(inputs)
+        return outputs
+
+```
+
+### 2. 训练准备
+
+在开始训练前，需要定义优化器、损失函数、度量函数，准备数据等等。这些过程均可以在高层API Model类中的prepare函数中完成。
+
+```
+# 定义输入数据格式
+inputs = [Input([None, 784], 'float32', name='image')]
+labels = [Input([None, 1], 'int64', name='label')]
+
+# 声明网络结构
+model = Mnist("mnist")
+optimizer = fluid.optimizer.SGDOptimizer(learning_rate=0.001, parameter_list=model.parameters())
+# 使用高层API，prepare() 完成训练的配置
+model.prepare(optimizer, CrossEntropy(), Accuracy(), inputs, labels, device='gpu')
+```
+
+### 3. 启动训练
+
+使用高层API完成训练迭代过程时，使用一行代码即可构建双层循环程序，去控制训练的轮数和数据读取过程。
+
+```
+from paddle.incubate.hapi.datasets.mnist import MNIST as MnistDataset
+# 定义数据读取器
+train_dataset = MnistDataset(mode='train')
+val_dataset = MnistDataset(mode='test')
+# 启动训练
+model.fit(train_dataset, val_dataset, batch_size=100, epochs=10, log_freq=100, save_dir="./output/")
+```
+
+高层API中通过fit函数完成训练的循环过程，只需要设置训练的数据读取器、batchsize大小，迭代的轮数epoch、训练日志打印频率log_freq，保存模型的路径即可。
+
+## 新增功能
+
+除了使用高层API实现一行代码启动训练外，还新增了以下功能：
+- transform   数据增强模块
+- paddlevision  模型调用模块
+
+### transform
+vision.transform。图像预处理模块transform包括一系列的图像增强与图像处理实现，对处理计算机视觉相关的任务有很大帮助。
+
+下表中列出Transform支持的数据处理和数据增强API，如下所示：
+
+| transform的数据处理实现  | 函数功能 | |
+| :--------   | :-----   | :---- |
+|  Compose  | 组合多种数据变换 |
+|  Resize  | 将图像转换为固定大小 |  
+| RandomResizedCrop  |  根据输入比例对图像做随机剪切，然后resize到指定大小   |  
+|  CenterCrop  | 以图像的中心为中心对图像做剪切 |  |
+|  CenterCropResize  | 对图像做padding，padding后的图像做centercrop，然后resize到指定大小|  |
+|  RandomHorizontalFlip |  随机对图像做水平翻转   |    |
+|  RandomVerticalFlip |  随机对图像做垂直翻转   |    |
+|  Permute |  将数据的的维度换位   |    |
+|  Normalize |   用指定的均值和标准差对数据做归一化  |    |
+| GaussianNoise  |  给数据增加高斯噪声   |    |
+|  BrightnessTransform |  调整输入图像的亮度   |    |
+|  SaturationTransform |  调整输入图像的饱和度   |    |
+|  ContrastTransform |  调整输入图像的对比度   |    |
+| HueTransform  |   调整图像的色调  |    |
+|  ColorJitter |  随机调整图像的亮度、饱和度、对比度、和色调|    |
+
+使用方法如下：
+```
+
+from paddle.incubate.hapi.vision.transforms import transforms
+import cv2
+
+img_path = "./output/sample.jpg"
+img = cv2.imread(img_path)
+
+# 使用Compose 将可以将多个数据增强函数组合在一起
+trans_funcs = transforms.Compose([transforms.RandomResizedCrop(224),
+                                transforms.RandomHorizontalFlip(),
+                                transforms.BrightnessTransform(0.2)])
+label = None
+img_processed, label = trans_funcs(img, label)
+
+```
+
+上述代码的效果图如下：
+
+![](./image/hapi_transform.png)
+
+
+### paddlevision
+
+paddlevision中包含了高层API对常用模型的封装，包括ResNet、VGG、MobileNet、yoloV3、darknet、BMN
+transformer等等。使用这些现有的模型，可以快速的完成神经网络的训练、finetune等。
+
+使用paddlevision中的模型可以简单快速的构建一个深度学习任务，比如13代码即可实现resnet在Imagenet数据集上的训练：
+
+![](./image/paddlevision.png)
+
+
+
+## 更多使用示例
+
+更多的高层API使用示例请参考：
+- [bert](https://github.com/PaddlePaddle/hapi/tree/master/examples/bert)
+- [image classification](https://github.com/PaddlePaddle/hapi/tree/master/examples/image_classification)
+- [BMN](https://github.com/PaddlePaddle/hapi/tree/master/examples/bmn)
+- [cycleGAN](https://github.com/PaddlePaddle/hapi/tree/master/examples/cyclegan)
+- [ocr](https://github.com/PaddlePaddle/hapi/tree/master/examples/ocr)
+- [TSM](https://github.com/PaddlePaddle/hapi/tree/master/examples/tsm)
+- [yolov3](https://github.com/PaddlePaddle/hapi/tree/master/examples/yolov3)
+- [transformer](https://github.com/PaddlePaddle/hapi/tree/master/examples/transformer)
+- [seq2seq](https://github.com/PaddlePaddle/hapi/tree/master/examples/seq2seq)
+- [style-transfer](https://github.com/PaddlePaddle/hapi/tree/master/examples/style-transfer)