refine the doc.

image_classification/tf2paddle/README.md

 ## 使用说明
 
-`tf2paddle.py`提供了将TensorFlow训练的模型转换为PaddlePaddle可使用的模型的接口`TFModelConverter`，其封装了图像领域常用的Convolution、BatchNorm等layer的转换函数，可以完成VGG、ResNet等常用模型的转换。模型转换的基本过程是：基于TensorFlow的Python API获取variable，将各variable对应到PaddlePaddle中layer的参数，进行适配后序列化保存输出可以直接为PaddlePaddle的Python API加载使用的模型文件。
+`tf2paddle.py`脚本中的工具类`TFModelConverter`实现了将TensorFlow训练好的模型文件转换为PaddlePaddle可加载的模型文件。目前能够支持图像领域常用的：卷积（`Convolution`）层、`Batch Normalization`层和全连接（`Full Connection`）层。图像领域常用的 `ResNet` `VGG` 网络都以这些层此为基础，使用TensorFlow训练的`ResNet`和`VGG`模型能够被转换为PaddlePaddle可加载的模型，进一步用于预训练或是预测服务的开发等。
 
-为使TensorFlow模型中的variable能够正确对应到PaddlePaddle模型中layer的参数，正确完成转换，模型转换具有如下约束：
+模型转换的基本流程是：
+1. 将TensorFlow模型等价地使用PaddlePaddle Python API接口进行改写。
+1. 在TensorFlow中可学习参数用 `Variable` 表示，基于TensorFlow的Python API获取网络中的 Variable。
+1. 确定TensorFlow模型中`Variable`与PaddlePaddle中`paddle.layer`的可学习参数的对应关系。
+1. 对TensorFlow中的`Variable`进行一定的适配（详见下文），转化为PaddlePaddle中的参数存储格式并进行序列化保存。
 
-- 支持TensorFlow中conv2d，batchnorm，fc这三种带有trainable variable的Operator中参数的转换。
- TensorFlow配置中同一Operator内的variable属于相同的scope，以此将variable划分到不同的layer。
-- conv2d、batchnorm、fc的scope需分别包含conv、bn、fc，以此获取对应layer的type；亦可以通过为`TFModelConverter`传入`layer_type_map`的`dict`，将scope映射到对应的layer type来规避此项约束。
-- conv2d、fc中variable的顺序为先weight后bias，batchnorm中variable的顺序为scale、shift、mean、var，以此将variable对应到layer中相应位置的参数。
-- TensorFlow网络拓扑顺序需和PaddlePaddle网络拓扑顺序一致，尤其注意具有分支时左右分支的顺序。这是针对模型转换和PaddlePaddle网络配置均使用PaddlePaddle默认参数命名的情况，此时将根据拓扑顺序进行参数命名；若PaddlePaddle网络配置中自定义了param的name，可以通过为`TFModelConverter`传入`layer_name_map`或`param_name_map`的`dict`，在模型转换时将variable的name映射为PaddlePaddle配置中param的name。
+### 需要遵守的约定
 
-此外，要求提供`build_model`接口以从此构建TensorFlow网络，加载模型并返回session。可参照如下示例：
+为使TensorFlow模型中的`Variable`能够正确对应到`paddle.layer`中的可学习参数，目前版本在使用时有如下约束需要遵守：
 
-```python
-def build_model():
-    build_graph()
-    sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True))
-    sess.run(tf.tables_initializer())
-    saver = tf.train.Saver()
-    saver.restore(sess, 'model/model.ckpt')
-    return sess
-```
+1. 目前仅支持将TensorFlow中 `conv2d`，`batchnorm`，`fc`这三种带有可学习`Variable`的Operator训练出的参数向PaddlePaddle模型参数转换。
+1. TensorFlow网络配置中同一Operator内的`Variable`属于相同的scope，以此为依据将`Variable`划分到不同的`paddle.layer`。
+1. `conv2d`、`batchnorm`、`fc`的scope需分别包含`conv`、`bn`、`fc`，以此获取对应`paddle.layer`的类型。也可以通过为`TFModelConverter`传入`layer_type_map`的`dict`，将scope映射到对应的`paddle.layer`的type来规避此项约束。
+1. `conv2d`、`fc`中`Variable`的顺序为：先可学习`Weight`后`Bias`；`batchnorm`中`Variable`的顺序为：`scale`、`shift`、`mean`、`var`，请注意参数存储的顺序将`Variable`对应到`paddle.layer.batch_norm`相应位置的参数。
+1. TensorFlow网络拓扑顺序需和PaddlePaddle网络拓扑顺序一致，尤其注意具有分支时左右分支的顺序。这是针对模型转换和PaddlePaddle网络配置均使用PaddlePaddle默认参数命名的情况，此时将根据拓扑顺序进行参数命名。
+1. 若PaddlePaddle网络配置中需要通过调用`param_attr=paddle.attr.Param(name="XX"))`显示地设置可学习参数名字，这时可通过为`TFModelConverter`传入`layer_name_map`或`param_name_map`字典（类型为Python `dict`），在模型转换时将`Variable`的名字映射为所对应的`paddle.layer.XX`中可学习参数的名字。
+1. 要求提供`build_model`接口以从此构建TensorFlow网络，加载模型并返回session。可参照如下示例进行编写：
+
+    ```python
+    def build_model():
+        build_graph()
+        sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True))
+        sess.run(tf.tables_initializer())
+        saver = tf.train.Saver()
+        saver.restore(sess, 'model/model.ckpt')
+        return sess
+    ```
 
-在完成以上内容后，`TFModelConverter`使用如下：
+### 使用说明
+
+按照以上原则操作后，`tf2paddle.py` 脚本的`main`函数提供了一个调用示例，将TensorFlow训练的`ResNet50`模型转换为PaddlePaddle可加载模型。若要对其它各种自定义的模型进行转换，只需修改相关变量的值，在终端执行`python tf2paddle.py`即可。
+
+下面是一个简单的调用示例：
 
 ```python
 # 定义相关变量
@@ -35,8 +48,7 @@ converter = TFModelConverter(tf_net=tf_net,
 converter.convert()
 ```
 
-`tf2paddle.py`中已提供以上步骤，修改其中相关变量的值后执行`python tf2paddle.py`即可完成模型转换。
-
-此外，在使用转换得到的模型时需要注意：
+### 注意事项
 
-- 由于TensorFlow中的padding机制较为特殊，在编写PaddlePaddle网络配置时对conv这种需要padding的layer可能需要推算size后在conv外使用pad_layer进行padding。
- 与TensorFlow多使用NHWC的data_format不同，PaddlePaddle使用NCHW的输入数据。
+1. 由于TensorFlow中的padding机制较为特殊，在编写PaddlePaddle网络配置时，对`paddle.layer.conv`这种需要padding的层可能需要推算size后在`paddle.layer.conv`外使用`paddle.layer.pad`进行padding。
+1. 与TensorFlow图像输入多使用NHWC的数据组织格式有所不同，PaddlePaddle按照NCHW的格式组织图像输入数据。

image_classification/tf2paddle/tf2paddle.py

@@ -6,9 +6,11 @@ import gzip
 import tarfile
 import cStringIO
 import numpy as np
+
+import tensorflow as tf
+
 from paddle.proto.ParameterConfig_pb2 import ParameterConfig
 from paddle.trainer_config_helpers.default_decorators import wrap_name_default
-import tensorflow as tf
 
 
 class ModelConverter(object):