add pretrain related statement in readme (#2315)

this is for issue #2232
add pretrain description in readme to show that some models need pertained models to begin training.

PaddleCV/video/configs/nonlocal.txt

@@ -34,6 +34,7 @@ use_bn = True
 use_affine = False
 
 [TRAIN]
+epoch = 120
 num_reader_threads = 8
 batch_size = 64
 num_gpus = 8

PaddleCV/video/models/nonlocal_model/README.md

@@ -93,9 +93,11 @@ Non-local模型的训练数据采用由DeepMind公布的Kinetics-400动作识别
             --save_dir=checkpoints
             --log_interval=10
             --valid_interval=1
-
+            --pretrain=${path_to_pretrain_model}
     bash scripts/train/train_nonlocal.sh
 
+- 从头开始训练，需要加载在ImageNet上训练的ResNet50权重作为初始化参数（该模型参数转自Caffe2）。请下载此[模型参数](https://paddlemodels.bj.bcebos.com/video_classification/Nonlocal_ResNet50_pretrained.tar.gz)并解压，将上面启动脚本中的path\_to\_pretrain\_model设置为解压之后的模型参数存放路径。如果没有手动下载并设置path\_to\_pretrain\_model，则程序会自动下载并将参数保存在~/.paddle/weights/Nonlocal\_ResNet50\_pretrained目录下面
+
 - 可下载已发布模型[model](https://paddlemodels.bj.bcebos.com/video_classification/nonlocal_kinetics.tar.gz)通过`--resume`指定权重存放路径进行finetune等开发
 
 **数据读取器说明：** 模型读取Kinetics-400数据集中的`mp4`数据，根据视频长度和采样频率随机选取起始帧的位置，每个视频抽取`video_length`帧图像，对每帧图像做随机增强，短边缩放至[256, 320]之间的某个随机数，长边根据长宽比计算出来，然后再截取出224x224的区域作为训练数据输入网络。

PaddleCV/video/models/nonlocal_model/nonlocal_model.py

@@ -120,7 +120,10 @@ class NonLocal(ModelBase):
                      self.feature_input + [self.label_input]
 
     def pretrain_info(self):
-        return None, None
+        return (
+            'Nonlocal_ResNet50_pretrained',
+            'https://paddlemodels.bj.bcebos.com/video_classification/Nonlocal_ResNet50_pretrained.tar.gz'
+        )
 
     def weights_info(self):
         pass

PaddleCV/video/models/stnet/README.md

@@ -35,9 +35,12 @@ StNet的训练数据采用由DeepMind公布的Kinetics-400动作识别数据集
             --save_dir=checkpoints
             --log_interval=10
             --valid_interval=1
+            --pretrain=${path_to_pretrain_model}
 
     bash scripts/train/train_stnet.sh
 
+- 从头开始训练，需要加载在ImageNet上训练的ResNet50权重作为初始化参数，请下载此[模型参数](https://paddlemodels.bj.bcebos.com/video_classification/ResNet50_pretrained.tar.gz)并解压，将上面启动脚本中的path\_to\_pretrain\_model设置为解压之后的模型参数存放路径。如果没有手动下载并设置path\_to\_pretrain\_model，则程序会自动下载并将参数保存在~/.paddle/weights/ResNet50\_pretrained目录下面
+
 - 可下载已发布模型[model](https://paddlemodels.bj.bcebos.com/video_classification/stnet_kinetics.tar.gz)通过`--resume`指定权重存放路径进行finetune等开发
 
 **数据读取器说明：** 模型读取Kinetics-400数据集中的`mp4`数据，每条数据抽取`seg_num`段，每段抽取`seg_len`帧图像，对每帧图像做随机增强后，缩放至`target_size`。

PaddleCV/video/models/tsm/README.md

@@ -42,9 +42,12 @@ TSM的训练数据采用由DeepMind公布的Kinetics-400动作识别数据集。
             --save_dir=checkpoints
             --log_interval=10
             --valid_interval=1
+            --pretrain=${path_to_pretrain_model}
 
     bash scripts/train/train_tsm.sh
 
+- 从头开始训练，需要加载在ImageNet上训练的ResNet50权重作为初始化参数，请下载此[模型参数](https://paddlemodels.bj.bcebos.com/video_classification/ResNet50_pretrained.tar.gz)并解压，将上面启动脚本中的path\_to\_pretrain\_model设置为解压之后的模型参数存放路径。如果没有手动下载并设置path\_to\_pretrain\_model，则程序会自动下载并将参数保存在~/.paddle/weights/ResNet50\_pretrained目录下面
+
 - 可下载已发布模型[model](https://paddlemodels.bj.bcebos.com/video_classification/tsm_kinetics.tar.gz)通过`--resume`指定权重存放路径进行finetune等开发
 
 **数据读取器说明：** 模型读取Kinetics-400数据集中的`mp4`数据，每条数据抽取`seg_num`段，每段抽取1帧图像，对每帧图像做随机增强后，缩放至`target_size`。

PaddleCV/video/models/tsn/README.md

@@ -30,9 +30,12 @@ TSN的训练数据采用由DeepMind公布的Kinetics-400动作识别数据集。
             --save_dir=checkpoints
             --log_interval=10
             --valid_interval=1
+            --pretrain=${path_to_pretrain_model}
 
     bash scripts/train/train_tsn.sh
 
+- 从头开始训练，需要加载在ImageNet上训练的ResNet50权重作为初始化参数，请下载此[模型参数](https://paddlemodels.bj.bcebos.com/video_classification/ResNet50_pretrained.tar.gz)并解压，将上面启动脚本中的path\_to\_pretrain\_model设置为解压之后的模型参数存放路径。如果没有手动下载并设置path\_to\_pretrain\_model，则程序会自动下载并将参数保存在~/.paddle/weights/ResNet50\_pretrained目录下面
+
 - 可下载已发布模型[model](https://paddlemodels.bj.bcebos.com/video_classification/tsn_kinetics.tar.gz)通过`--resume`指定权重存放路径进行finetune等开发
 
 **数据读取器说明：** 模型读取Kinetics-400数据集中的`mp4`数据，每条数据抽取`seg_num`段，每段抽取1帧图像，对每帧图像做随机增强后，缩放至`target_size`。