modify on dataset/README

fluid/PaddleCV/video/dataset/README.md

 # 数据使用说明
-Paddle视频模型库同时涵盖了youtube8m和kinetics两种数据集。其中Attention Cluster、LSTM和NeXtVLAD使用2nd-Youtube-8M数据集，stNet和TSN使用kinetics400数据集。
+
+- [Youtube-8M](#Youtube-8M数据集)
+- [Kinetics](#Kinetics数据集)
 
 ## Youtube-8M数据集
 这里我们用到的是YouTube-8M 2018年更新之后的数据集。使用官方数据集，并将tfrecord文件转化为pickle文件以便paddle使用。Youtube-8M数据集官方提供了frame-level和video-level的特征，我们这里只需使用到frame-level的特征。
 
 ### 数据下载
 请使用Youtube-8M官方链接分别下载[训练集](http://us.data.yt8m.org/2/frame/train/index.html)和[验证集](http://us.data.yt8m.org/2/frame/validate/index.html)。每个链接里各提供了3844个文件的下载地址，用户也可以使用官方提供的[下载脚本](https://research.google.com/youtube8m/download.html)下载数据。数据下载完成后，将会得到3844个训练数据文件和3844个验证数据文件（tfrecord格式）。
-假设存放当前代码库的主目录为: Code_Base_Root，进入dataset/youtube8m目录
+假设存放视频模型代码库的主目录为: Code\_Base\_Root，进入dataset/youtube8m目录
 
-          cd dataset/youtube8m
+  cd dataset/youtube8m
 
 在youtube8m下新建目录tf/train和tf/val
 
-                    mkdir tf && cd tf
+  mkdir tf && cd tf
 
-                    mkdir train && mkdir val
+  mkdir train && mkdir val
 
 并分别将下载的train和validate数据存放在其中。
 
 ### 数据格式转化
-为了适用于Fluid训练，我们离线将下载好的tfrecord文件格式转成了pickle格式，转换脚本请使用[dataset/youtube8m/tf2pkl.py](./dataset/youtube8m/tf2pkl.py)。
+
+为了适用于Fluid训练，我们离线将下载好的tfrecord文件格式转成了pickle格式，转换脚本请使用[dataset/youtube8m/tf2pkl.py](./youtube8m/tf2pkl.py)。
+
 在dataset/youtube8m 目录下新建目录pkl/train和pkl/val
 
-                   cd dataset/youtube8m
+  cd dataset/youtube8m
 
-                   mkdir pkl && cd pkl
+  mkdir pkl && cd pkl
 
-                   mkdir train && mkdir val
+  mkdir train && mkdir val
 
 
 转化文件格式(tfrecord -> pkl)，进入dataset/youtube8m目录，运行脚本
 
-                   python tf2pkl.py ./tf/train ./pkl/train
+  python tf2pkl.py ./tf/train ./pkl/train
 
 和
 
-                   python tf2pkl.py ./tf/val ./pkl/val
+  python tf2pkl.py ./tf/val ./pkl/val
 
 分别将train和validate数据集转化为pkl文件。tf2pkl.py文件运行时需要两个参数，分别是数据源tf文件存放路径和转化后的pkl文件存放路径。
+
 备注：由于tfrecord文件的读取需要用到tensorflow，用户要先安装tensorflow，或者在安装有tensorflow的环境中转化完数据，再拷贝到dataset/youtube8m/pkl目录下。为了避免和paddle环境冲突，我们建议先在其他地方转化完成再将数据拷贝过来。
 
 ### 生成文件列表
+
 进入dataset/youtube8m目录
 
-             ls ${Code_Base_Root}/dataset/youtube8m/pkl/train/* > train.list
+  ls ${Code\_Base\_Root}/dataset/youtube8m/pkl/train/* > train.list
 
-             ls ${Code_Base_Root}/dataset/youtube8m/pkl/val/* > val.list
+  ls ${Code\_Base\_Root}/dataset/youtube8m/pkl/val/* > val.list
 
 在dataset/youtube8m目录下将生成两个文件，train.list和val.list，每一行分别保存了一个pkl文件的绝对路径。
 
 ## Kinetics数据集
+
 Kinetics数据集是DeepMind公开的大规模视频动作识别数据集，有Kinetics400与Kinetics600两个版本。这里我们使用Kinetics400数据集，具体的数据预处理过程如下。
 
 ### mp4视频下载
-在Code_Base_Root目录下创建文件夹
+在Code\_Base\_Root目录下创建文件夹
 
-                cd ${Code_Base_Root}/dataset && mkdir kinetics
+  cd ${Code\_Base\_Root}/dataset && mkdir kinetics
 
-                cd kinetics && mkdir data_k400 && cd data_k400
+  cd kinetics && mkdir data\_k400 && cd data\_k400
 
-                mkdir train_mp4 && mkdir val_mp4
+  mkdir train\_mp4 && mkdir val\_mp4
 
-ActivityNet官方提供了Kinetics的下载工具，具体参考其[官方repo ](https://github.com/activitynet/ActivityNet/tree/master/Crawler/Kinetics)即可下载Kinetics400的mp4视频集合。将kinetics400的训练与验证集合分别下载到dataset/kinetics/data_k400/train_mp4与dataset/kinetics/data_k400/val_mp4。
+ActivityNet官方提供了Kinetics的下载工具，具体参考其[官方repo ](https://github.com/activitynet/ActivityNet/tree/master/Crawler/Kinetics)即可下载Kinetics400的mp4视频集合。将kinetics400的训练与验证集合分别下载到dataset/kinetics/data\_k400/train\_mp4与dataset/kinetics/data\_k400/val\_mp4。
 
 ### mp4文件预处理
+
 为提高数据读取速度，我们提前将mp4文件解帧并打pickle包，dataloader从视频的pkl文件中读取数据（该方法耗费更多存储空间）。pkl文件里打包的内容为(video-id,[frame1, frame2,...,frameN],label)。
-在 dataset/kinetics/data_k400目录下创建目录train_pkl和val_pkl
 
-                 cd ${Code_Base_Root}/dataset/kinetics/data_k400
+在 dataset/kinetics/data\_k400目录下创建目录train\_pkl和val\_pkl
+
+  cd ${Code\_Base\_Root}/dataset/kinetics/data\_k400
+
+  mkdir train\_pkl && mkdir val\_pkl
 
-                 mkdir train_pkl && mkdir val_pkl
+进入${Code\_Base\_Root}/dataset/kinetics目录，使用video2pkl.py脚本进行数据转化。首先需要下载[train](https://github.com/activitynet/ActivityNet/tree/master/Crawler/Kinetics/data/kinetics-400_train.csv)和[validation](https://github.com/activitynet/ActivityNet/tree/master/Crawler/Kinetics/data/kinetics-400_val.csv)数据集的文件列表。
 
-进入${Code_Base_Root}/dataset/kinetics目录，使用video2pkl.py脚本进行数据转化。首先需要下载[train](https://github.com/activitynet/ActivityNet/tree/master/Crawler/Kinetics/data/kinetics-400_train.csv)和[validation](https://github.com/activitynet/ActivityNet/tree/master/Crawler/Kinetics/data/kinetics-400_val.csv)数据集的文件列表。
+首先生成预处理需要的数据集标签文件
 
-执行如下程序：
+  python generate\_label.py kinetics-400\_train.csv kinetics400\_label.txt
 
-               python video2pkl.py kinetics-400_train.csv $Source_dir $Target_dir  8 #以8个进程为例
+然后执行如下程序：
+
+  python video2pkl.py kinetics-400\_train.csv $Source\_dir $Target\_dir  8 #以8个进程为例
 
 对于train数据，
 
-               Source_dir = ${Code_Base_Root}/dataset/kinetics/data_k400/train_mp4
+  Source\_dir = ${Code\_Base\_Root}/dataset/kinetics/data\_k400/train\_mp4
 
-               Target_dir = ${Code_Base_Root}/dataset/kinetics/data_k400/train_pkl
+  Target\_dir = ${Code\_Base\_Root}/dataset/kinetics/data\_k400/train\_pkl
 
 对于val数据，
 
-               Source_dir = ${Code_Base_Root}/dataset/kinetics/data_k400/val_mp4
+  Source\_dir = ${Code\_Base\_Root}/dataset/kinetics/data\_k400/val\_mp4
 
-               Target_dir = ${Code_Base_Root}/dataset/kinetics/data_k400/val_pkl
+  Target\_dir = ${Code\_Base\_Root}/dataset/kinetics/data\_k400/val\_pkl
 
 这样即可将mp4文件解码并保存为pkl文件。
 
-### 生成训练和验证集合list
-              cd ${Code_Base_Root}/dataset/kinetics
-              ls ${Code_Base_Root}/dataset/kinetics/data_k400/train_pkl /* > train.list
-              ls ${Code_Base_Root}/dataset/kinetics/data_k400/val_pkl /* > val.list
+### 生成训练和验证集list
+
+  cd ${Code\_Base\_Root}/dataset/kinetics
+  ls ${Code\_Base\_Root}/dataset/kinetics/data\_k400/train\_pkl /* > train.list
+  ls ${Code\_Base\_Root}/dataset/kinetics/data\_k400/val\_pkl /* > val.list
+
 即可生成相应的文件列表，train.list和val.list的每一行表示一个pkl文件的绝对路径。
 

fluid/PaddleCV/video/dataset/kinetics/README.md

-1. download kinetics-400_train.csv and kinetics-400_val.csv
-2. ffmpeg is required to decode mp4
-3. transfer mp4 video to pkl file, with each pkl stores [video_id, images, label]
-   python generate_label.py kinetics-400_train.csv kinetics400_label.txt # generate label file
-   python video2pkl.py kinetics-400_train.csv $Source_dir $Target_dir $NUM_THREADS

fluid/PaddleCV/video/dataset/youtube8m/README.md

-1. Tensorflow is required to process tfrecords
-2. python tf2pkl.py $Source_dir $Target_dir