refine video doc.

fluid/PaddleCV/video/README.md

 # Paddle视频模型库
 
 ---
-## 内容
-
-- [安装](#安装)
-- [简介](#简介)
-- [数据准备](#数据准备)
-- [模型库使用](#模型库使用)
-- [模型简介](#模型简介)
 
 ## 安装
 
@@ -19,19 +12,19 @@
 Paddle视频模型库第一期主要包含如下模型。
 
 | 模型 | 类别  | 描述 |
-| :---------------: | :--------: | :------------:    |
-| Attention Cluster | 视频分类| 百度自研模型，Kinetics600第一名最佳序列模型 |
-| Attention LSTM | 视频分类| 常用模型，速度快精度高 |
-| NeXtVLAD| 视频分类| 2nd-Youtube-8M最优单模型 |
-| StNet| 视频分类| 百度自研模型，Kinetics600第一名模型之一 |
-| TSN | 视频分类| 基于2D-CNN经典解决方案 |
+| :---------------: | :--------: | :------------: |
+| [Attention Cluster](./models/attention_cluster/README.md) | 视频分类| 百度自研模型，Kinetics600第一名最佳序列模型 |
+| [Attention LSTM](./models/attention_lstm/READNE.md) | 视频分类| 常用模型，速度快精度高 |
+| [NeXtVLAD](./models/nextvlad/README.md) | 视频分类| 2nd-Youtube-8M最优单模型 |
+| [StNet](./models/stnet/README.md) | 视频分类| 百度自研模型，Kinetics600第一名模型之一 |
+| [TSN](./models/tsn/README.md) | 视频分类| 基于2D-CNN经典解决方案 |
 
 
 ## 数据准备
 
-视频模型库使用Youtube-8M和Kinetics数据集, 具体使用方法请参考请参考[数据说明](./dataset/README.md)
+视频模型库使用Youtube-8M和Kinetics数据集, 具体使用方法请参考[数据说明](./dataset/README.md)
 
-## 模型库使用
+## 快速使用
 
 视频模型库提供通用的train/test/infer框架，通过`train.py/test.py/infer.py`指定模型名、模型配置参数等可一键式进行训练和预测。
 
@@ -51,95 +44,27 @@ Paddle提供默认配置文件位于`./configs`文件夹下，五种模型对应
 4. stnet.txt
 5. tsn.txt
 
-### 模型训练
-
-**预训练模型下载：** 视频模型库中StNet和TSN模型需要下载Resnet-50预训练模型，运行训练脚本会自动从[Resnet-50_pretrained](https://paddlemodels.bj.bcebos.com/video_classification/ResNet50_pretrained.tar.gz)下载预训练模型，存储于 ~/.paddle/weights/ 目录下，若该目录下已有已下载好的预训练模型，模型库会直接加载该预训练模型权重。
-
-数据准备完毕后，可通过两种方式启动模型训练：
-
-    python train.py --model-name=$MODEL_NAME --config=$CONFIG
-            --save-dir=checkpoints --epoch=10 --log-interval=10 --valid-interval=1
-
-    bash scripts/train/train_${MODEL_NAME}.sh
-
-- 通过设置export CUDA\_VISIBLE\_DEVICES=0,1,2,3,4,5,6,7指定GPU卡训练。
-- 可选参数见：
-  
-    ```
-    python train.py --help
-    ```
-
-- 指定预训练模型可通过如下命令实现：
-
-    ```
-    python train.py --model-name=<$MODEL_NAME> --config=<$CONFIG>
-            --pretrain=$PATH_TO_PRETRAIN
-    ```
-
-- 恢复训练模型可通过如下命令实现：
-
-    ```
-    python train.py --model-name=<$MODEL_NAME> --config=<$CONFIG>
-            --resume=$PATH_TO_RESUME_WEIGHTS
-    ```
-
-### 模型评估
-
-数据准备完毕后，可通过两种方式启动模型评估：
-
-    python test.py --model-name=$MODEL_NAME --config=$CONFIG
-            --log-interval=1 --weights=$PATH_TO_WEIGHTS
+详细使用步骤请参考各模型文档
 
-    bash scripts/test/test_${MODEL_NAME}.sh
-  
-- 通过设置export CUDA\_VISIBLE\_DEVICES=0使用GPU单卡评估。
-- 可选参数见：
-  
-    ```
-    python test.py --help
-    ```
-
-- 若模型评估未指定`--weights`参数，模型库会自动从[PaddleModels](https://paddlemodels.bj.bcebos.com)下载各模型已训练的Paddle release权重并完成模型评估，权重存储于`~/.paddle/weights/`目录下，若该目录下已有已下载好的预训练模型，模型库会直接加载该模型权重。
+## 模型精度
 
 模型库各模型评估精度如下：
 
-
 | 模型 | 数据集 | 精度类别  | 精度 |
 | :---------------: | :-----------: | :-------: | :------: |
 | AttentionCluster | Youtube-8M | GAP | 0.84 |
 | AttentionLSTM | Youtube-8M | GAP | 0.86 |
 | NeXtVLAD | Youtube=8M | GAP | 0.87 |
-| stNet | Kinetics | Hit@1 | 0.69 |
-| TSN | Kinetics | Hit@1 | 0.66 |
-
-### 模型推断
-
-模型推断可以通过各模型预测指定filelist中视频文件的类别，通过`infer.py`进行推断，可通过如下命令运行：
-
-    python infer.py --model-name=$MODEL_NAME --config=$CONFIG
-            --log-interval=1 --weights=$PATH_TO_WEIGHTS --filelist=$FILELIST
-
-模型推断结果存储于`${MODEL_NAME}_infer_result`中，通过`pickle`格式存储。
-
-- 通过设置export CUDA\_VISIBLE\_DEVICES=0使用GPU单卡推断。
-- 可选参数见：
-  
-    ```
-    python infer.py --help
-    ```
-
-- 若模型推断未使用`--weights`参数，模型库会自动下载Paddle release训练权重，参考[模型评估](#模型评估)
-
-- 若模型推断未使用`--filelist`参数，则使用指定配置文件中配置的`filelist`。
-
-
-## 模型简介
-
-模型库各模型简介请参考：
-
-1. [AttentionCluster](./models/attention_cluster/README.md)
-2. [AttentionLSTM](./models/attention_lstm/README.md)
-3. [NeXtVLAD](./models/nextvlad/README.md)
-4. [StNet](./models/stnet/README.md)
-5. [TSN](./models/tsn/README.md)
+| StNet | Kinetics | Top-1 | 0.69 |
+| TSN | Kinetics | Top-1 | 0.67 |
+
+## Model Zoo
+
+| 模型 | Batch Size | 环境配置 | 下载链接 |
+| :-------: | :---: | :---------: | :----------: |
+| Attention Cluster | 2048 | 8卡P40 | [model](https://paddlemodels.bj.bcebos.com/video_clasification/attention_cluster_youtube8m.tar.gz) |
+| Attention LSTM | 1024 | 8卡P40 | [model](https://paddlemodels.bj.bcebos.com/video_clasification/attention_lstm_youtube8m.tar.gz) |
+| NeXtVLAD | 160 | 4卡P40 | [model](https://paddlemodels.bj.bcebos.com/video_clasification/attention_cluster_youtube8m.tar.gz) |
+| StNet | 128 | 8卡P40 | [model](https://paddlemodels.bj.bcebos.com/video_clasification/stnet_kientics.tar.gz) |
+| TSN | 256 | 8卡P40 | [model](https://paddlemodels.bj.bcebos.com/video_clasification/tsn_kientics.tar.gz) |
 

fluid/PaddleCV/video/models/stnet/README.md

@@ -32,7 +32,7 @@ StNet的训练数据采用由DeepMind公布的Kinetics-400动作识别数据集
     python train.py --model-name=STNET
             --config=./configs/attention_stnet.txt
             --save-dir=checkpoints 
-            --epoch=20 
+            --epoch=60
             --log-interval=10 
             --valid-interval=1
 

fluid/PaddleCV/video/models/tsn/README.md

@@ -27,7 +27,7 @@ TSN的训练数据采用由DeepMind公布的Kinetics-400动作识别数据集。
     python train.py --model-name=TSNET
             --config=./configs/attention_tsn.txt
             --save-dir=checkpoints 
-            --epoch=20 
+            --epoch=45
             --log-interval=10 
             --valid-interval=1