Upload learning curves for DeepASR doc

fluid/DeepASR/README_cn.md

-DeepASR (Deep Automic Speech Recognition) 是一个基于PaddlePaddle FLuid与kaldi的语音识别系统。其利用PaddlePaddle Fluid完成声学模型的配置和训练，集成kaldi的解码器完，方便已对kaldi的较为熟悉的用户实现声学模型的快速、大规模训练，并利用kaldi完成复杂的解码过程。
+运行本目录下的程序示例需要使用 PaddlePaddle v0.14及以上版本。如果您的 PaddlePaddle 安装版本低于此要求，请按照[安装文档](http://www.paddlepaddle.org/docs/develop/documentation/zh/build_and_install/pip_install_cn.html)中的说明更新 PaddlePaddle 安装版本。
 
-###目录
+---
+
+DeepASR (Deep Automatic Speech Recognition) 是一个基于PaddlePaddle FLuid与kaldi的语音识别系统。其利用Fluid框架完成声学模型的配置和训练，并集成kaldi的解码器。旨在方便已对kaldi的较为熟悉的用户实现语音识别中声学模型的快速、大规模训练，并利用kaldi完成复杂的语音数据预处理和最终的解码过程。
+
+### 目录
 - [安装](#installation)
+- [数据预处理](#data-reprocessing)
 - [模型训练](#training)
+- [训练过程性能分析](#perf-profiling)
 - [预测和解码](#infer-decoding)
 - [Aishell示例](#aishell-example)
 - [如何贡献更多的实例](#how-to-contrib)
 
 ### 安装
 
-#### PaddlePaddle
-运行DeepASR需要PadddlePaddle Fluid v0.13.0或以上的版本。如果你的运行环境中的PaddlePaddle低于此版本，请根据[安装文档](http://www.paddlepaddle.org/docs/develop/documentation/zh/build_and_install/pip_install_cn.html)中的说明来更新PaddlePaddle。
-
-####kaldi
-DeepASR所用的解码器依赖于[kaldi](https://github.com/kaldi-asr/kaldi), 按其中的命令安装好kaldi后设置环境变量：
+#### kaldi
+DeepASR所用的解码器依赖于[kaldi](https://github.com/kaldi-asr/kaldi)环境, 按其中的命令安装好kaldi后设置环境变量：
 
 ```shell
 export KALDI_ROOT=<kaldi的安装路径>
 
 ```
-####解码器的安装
+#### 解码器的安装
+进入解码器源码所在的目录
+
+```shell
+cd models/fluid/DeepASR/decoder
+```
+运行安装脚本
+
+```shell
+sh setup.sh
+```
+ 即完成解码器的编译和安装
+
+### 数据预处理
+
+### 声学模型的训练
+
+可选择在CPU或GPU模式下进行声学模型的训练，例如在GPU模式下的训练
+
+```shell
+CUDA_VISIBLE_DEVICES=0,1,2,3 python -u train.py \
+                   --train_feature_lst train_feature.lst \
+                   --train_label_lst train_label.lst \
+                   --val_feature_lst val_feature.lst \
+                   --val_label_lst val_label.lst \
+                   --mean_var global_mean_var \
+                   --parallel
+```
+实际训练过程中要正确指定建模单元大小、学习率等重要参数。关于这些参数的说明，请运行
+
+```shell
+python train.py --help
+```
+获取更多信息。
+
+### 训练过程性能分析
+
+获取每个op的执行时间
 
 ```shell
-   git clone https://github.com/PaddlePaddle/models.git
-   cd models/fluid/DeepASR/decoder
-   sh setup.sh
+CUDA_VISIBLE_DEVICES=0 python -u tools/profile.py \
+                   --train_feature_lst train_feature.lst \
+                   --train_label_lst train_label.lst \
+                   --val_feature_lst val_feature.lst \
+                   --val_label_lst val_label.lst \
+                   --mean_var global_mean_var
+```
+
+
+### 预测和解码
+
+```
+CUDA_VISIBLE_DEVICES=0,1,2,3 python -u infer_by_ckpt.py \
+                        --batch_size 96  \
+                        --checkpoint deep_asr.pass_1.checkpoint \
+                        --infer_feature_lst test_feature.lst  \
+                        --infer_label_lst test_label.lst  \
+                        --mean_var global_mean_var \
+                        --parallel
+```
+
+### Aishell 实例
+
+本小节以Aishell数据为例，展示如何完成从数据预处理到解码输出。[Aishell数据集](http://www.aishelltech.com/kysjcp)
+```
+cd examples/aishell
+```
+
+提供已经预处理好的数据集供下载
+
+```
+sh prepare_data.sh
+```
+
+下载数据完成后，执行训练
+
+```
+sh train.sh
+```
+
+训练过程中损失和精度的变化曲线如下图所示
+
+<p align="center">
+<img src="images/learning_curve.png" height=480 width=640 hspace='10'/> <br />
+Aishell数据集上训练声学模型的学习曲线
+</p>
+
+执行预测
+
+```
+sh infer_by_ckpt.sh
+```
+
+评估误差
+
+```
+sh score_cer.sh
 ```
- 完成解码器的编译和安装
- 
-###模型训练
 
-###预测和解码
+利用经过20轮左右训练的声学模型，可以在Aishell的测试集上得到CER约10%的识别结果。
 
-###Aishell示例
 
-###如何贡献更多的实例
- 
 
- 
+### 如何贡献更多的实例
 
+欢迎贡献更多的实例