[TIPC] fix serving and onnx doc (#5518)

* fix serving doc

* fix serving doc

* fix typo

tutorials/tipc/paddle2onnx/paddle2onnx.md

@@ -46,13 +46,13 @@ Paddle2ONNX 支持将 PaddlePaddle 模型格式转化到 ONNX 模型格式，算
 
 - 安装 Paddle2ONNX
 ```
-python3 -m pip install paddle2onnx
+python -m pip install paddle2onnx
 ```
 
 - 安装 ONNXRuntime
 ```
 # 建议安装 1.9.0 版本，可根据环境更换版本号
-python3 -m pip install onnxruntime==1.9.0
+python -m pip install onnxruntime==1.9.0
 ```
 
 <a name="2.2"></a>

tutorials/tipc/paddle2onnx/test_paddle2onnx.md

@@ -7,12 +7,12 @@
     - [2.1 命令解析](#2.1)
     - [2.2 配置文件和运行命令映射解析](#2.2)
 - [3. 基本训练推理功能测试开发](#3)
-    - [2.1 准备待测试的命令](#3.1)
-    - [2.2 准备数据与环境](#3.2)
-    - [2.3 准备开发所需脚本](#3.3)
-    - [2.4 填写配置文件](#3.4)
-    - [2.5 验证配置正确性](#3.5)
-    - [2.6 撰写说明文档](#3.6)
+    - [3.1 准备待测试的命令](#3.1)
+    - [3.2 准备数据与环境](#3.2)
+    - [3.3 准备开发所需脚本](#3.3)
+    - [3.4 填写配置文件](#3.4)
+    - [3.5 验证配置正确性](#3.5)
+    - [3.6 撰写说明文档](#3.6)
 - [4. FAQ](#4)
 
 <a name="1"></a>
@@ -229,7 +229,8 @@ Run failed with command - paddle2onnx --model_dir=./inference/mobilenet_v3_small
 以mobilenet_v3_small的`Linux GPU/CPU 离线量化训练推理功能测试` 为例，命令如下所示。
 
 ```bash
-bash test_tipc/test_paddle2onnx.sh ./test_tipc/configs/mobilenet_v3_small/paddle2onnx_infer_python.txt paddle2onnx
+bash test_tipc/prepare.sh ${your_params_file} paddle2onnx
+bash test_tipc/test_paddle2onnx.sh ${your_params_file} paddle2onnx
 ```
 
 输出结果如下，表示命令运行成功。

tutorials/tipc/serving_python/serving_python.md

@@ -41,7 +41,11 @@ Paddle Serving服务化部署主要包括以下步骤：
 
 <a name="2.1"></a>
 ### 2.1 准备测试数据
-准备测试数据及对应的数据标签，用于后续[推理预测阶段](#2.7)。
+
+为方便快速验证推理预测过程，需要准备一个小数据集（训练集和验证集各8~16张图像即可，压缩后数据大小建议在`20M`以内，确保基础训练推理总时间不超过十分钟），放在`lite_data`文件夹下。
+
+    相关文档可以参考[论文复现赛指南3.2章节](../../../docs/lwfx/ArticleReproduction_CV.md)，代码可以参考`基于ImageNet准备小数据集的脚本`：[prepare.py](https://github.com/littletomatodonkey/AlexNet-Prod/blob/tipc/pipeline/Step2/prepare.py)。
+
 
 本教程以`./images/demo.jpg`作为测试用例。
 
@@ -95,9 +99,9 @@ cd models/tutorials/tipc/serving_python
 
 <a name="2.3"></a>
 ### 2.3 准备服务化部署模型
-#### 2.3.1 下载MobilenetV3 inference模型
+#### 2.3.1 准备MobilenetV3 inference模型
 
-参考[MobilenetV3](../../mobilenetv3_prod/Step6/README.md#2)，下载inference模型
+参考[MobilenetV3](../../mobilenetv3_prod/Step6/README.md#2)，确保 inference 模型在当前目录下。
 
 #### 2.3.2 准备服务化部署模型
 
@@ -106,7 +110,7 @@ cd models/tutorials/tipc/serving_python
 为了便于模型服务化部署，需要将静态图模型(模型结构文件：\*.pdmodel和模型参数文件：\*.pdiparams)使用paddle_serving_client.convert按如下命令转换为服务化部署模型：
 
 ```bash
-python3 -m paddle_serving_client.convert --dirname {静态图模型路径} --model_filename {模型结构文件} --params_filename {模型参数文件} --serving_server {转换后的服务器端模型和配置文件存储路径} --serving_client {转换后的客户端模型和配置文件存储路径}
+python -m paddle_serving_client.convert --dirname {静态图模型路径} --model_filename {模型结构文件} --params_filename {模型参数文件} --serving_server {转换后的服务器端模型和配置文件存储路径} --serving_client {转换后的客户端模型和配置文件存储路径}
 ```
 上面命令中 "转换后的服务器端模型和配置文件" 将用于后续服务化部署。其中`paddle_serving_client.convert`命令是`paddle_serving_client` whl包内置的转换函数，无需修改。
 
@@ -115,7 +119,7 @@ python3 -m paddle_serving_client.convert --dirname {静态图模型路径} --mod
 针对MobileNetV3网络，将inference模型转换为服务化部署模型的示例命令如下，转换完后在本地生成**serving_server**和**serving_client**两个文件夹。本教程后续主要使用serving_server文件夹中的模型。
 
 ```bash
-python3 -m paddle_serving_client.convert \
+python -m paddle_serving_client.convert \
     --dirname ./mobilenet_v3_small_infer/ \
     --model_filename inference.pdmodel \
     --params_filename inference.pdiparams \
@@ -312,7 +316,7 @@ img_path = "./images/demo.jpg"
 当完成服务化部署引擎初始化、数据预处理和预测结果后处理开发，则可以按如下命令启动模型预测服务：
 
 ```bash
-python3 web_service.py &
+python web_service.py &
 ```  
 **【实战】**
 
@@ -332,7 +336,7 @@ python3 web_service.py &
 客户端访问服务的命令如下：
 
 ```bash
-python3 pipeline_http_client.py
+python pipeline_http_client.py
 ```  
 访问成功的界面如下图：
 

tutorials/tipc/serving_python/test_serving_python.md

@@ -7,12 +7,12 @@
     - [2.1 命令解析](#2.1)
     - [2.2 配置文件和运行命令映射解析](#2.2)
 - [3. 基本训练推理功能测试开发](#3)
-    - [2.1 准备待测试的命令](#3.1)
-    - [2.2 准备数据与环境](#3.2)
-    - [2.3 准备开发所需脚本](#3.3)
-    - [2.4 填写配置文件](#3.4)
-    - [2.5 验证配置正确性](#3.5)
-    - [2.6 撰写说明文档](#3.6)
+    - [3.1 准备待测试的命令](#3.1)
+    - [3.2 准备数据与环境](#3.2)
+    - [3.3 准备开发所需脚本](#3.3)
+    - [3.4 填写配置文件](#3.4)
+    - [3.5 验证配置正确性](#3.5)
+    - [3.6 撰写说明文档](#3.6)
 - [4. FAQ](#4)
 
 <a name="1"></a>
@@ -167,7 +167,7 @@ python3.7 pipeline_http_client.py --image_dir=../../lite_data/test/
 
     相关文档可以参考[论文复现赛指南3.2章节](../../../docs/lwfx/ArticleReproduction_CV.md)，代码可以参考`基于ImageNet准备小数据集的脚本`：[prepare.py](https://github.com/littletomatodonkey/AlexNet-Prod/blob/tipc/pipeline/Step2/prepare.py)。
 
-2. 环境：安装好PaddlePaddle即可进行离线量化训练推理测试开发
+2. 环境：安装好PaddlePaddle即可进行python服务化部署测试开发
 
 **【注意事项】**
 
@@ -226,7 +226,7 @@ Run failed with command - python3.7 pipeline_http_client.py > ../../log/mobilene
 
 **【实战】**
 
-以mobilenet_v3_small的`Linux GPU/CPU 离线量化训练推理功能测试` 为例，命令如下所示。
+以mobilenet_v3_small的`Linux GPU/CPU python服务化部署功能测试` 为例，命令如下所示。
 
 ```bash
 bash test_tipc/test_serving_infer_python.sh test_tipc/configs/mobilenet_v3_small/serving_infer_python.txt serving_infer
@@ -251,7 +251,7 @@ Run successfully with command - python3.7 pipeline_http_client.py > ../../log/mo
 撰写TIPC功能总览和测试流程说明文档，分别为
 
 1. TIPC功能总览文档：test_tipc/README.md
-2. Linux GPU/CPU 离线量化训练推理功能测试说明文档：test_tipc/docs/test_serving_infer_python.md
+2. Linux GPU/CPU python服务化部署功能测试说明文档：test_tipc/docs/test_serving_infer_python.md
 
 2个文档模板分别位于下述位置，可以直接拷贝到自己的repo中，根据自己的模型进行修改。