Update README.md

demo/image-classification/README.md

@@ -54,34 +54,30 @@ data_reader = hub.reader.ImageClassificationReader(
 
 `hub.dataset.Flowers()` 会自动从网络下载数据集并解压到用户目录下`$HOME/.paddlehub/dataset`目录
 
-`module.get_vocab_path()` 会返回预训练模型对应的词表
+`module.get_expected_image_width()` 和 `module.get_expected_image_height()`会返回预训练模型对应的图片尺寸
 
-`max_seq_len` 需要与Step1中context接口传入的序列长度保持一致
-
-MultiLabelClassifyReader中的`data_generator`会自动按照模型对应词表对数据进行tokenize，以迭代器的方式返回BERT所需要的Tensor格式，包括`input_ids`，`position_ids`，`segment_id`与序列对应的mask `input_mask`.
-
-**NOTE**: Reader返回tensor的顺序是固定的，默认按照input_ids, position_ids, segment_id, input_mask这一顺序返回。
+`module.module.get_pretrained_images_mean()` 和 `module.get_pretrained_images_std()`会返回预训练模型对应的图片均值和方差
 
 ### Step3：选择优化策略和运行配置
 
 ```python
-strategy = hub.AdamWeightDecayStrategy(
-    learning_rate=5e-5,
-    weight_decay=0.01,
-    warmup_proportion=0.0,
-    lr_scheduler="linear_decay",
-)
-
-config = hub.RunConfig(use_cuda=True, use_data_parallel=True, use_pyreader=True, num_epoch=3, batch_size=32, strategy=strategy)
+strategy = hub.DefaultFinetuneStrategy(
+    learning_rate=1e-4,
+    optimizer_name="adam",
+    regularization_coeff=1e-3)
+
+config = hub.RunConfig(use_cuda=True, use_data_parallel=True, num_epoch=3, batch_size=32, strategy=strategy)
 ```
 
 #### 优化策略
-针对ERNIE与BERT类任务，PaddleHub封装了适合这一任务的迁移学习优化策略`AdamWeightDecayStrategy`
 
-* `learning_rate`: Finetune过程中的最大学习率;
-* `weight_decay`: 模型的正则项参数，默认0.01，如果模型有过拟合倾向，可适当调高这一参数;
-* `warmup_proportion`: 如果warmup_proportion>0, 例如0.1, 则学习率会在前10%的steps中线性增长至最高值learning_rate;
-* `lr_scheduler`: 有两种策略可选(1) `linear_decay`策略学习率会在最高点后以线性方式衰减; `noam_decay`策略学习率会在最高点以多项式形式衰减；
+PaddleHub提供了许多优化策略，如`AdamWeightDecayStrategy`、`ULMFiTStrategy`、`DefaultFinetuneStrategy`等，详细信息参见[策略](https://github.com/PaddlePaddle/PaddleHub/wiki/PaddleHub-API:-Strategy)
+
+其中`DefaultFinetuneStrategy`:
+
+* `learning_rate`: 全局学习率。默认为1e-4
+* `optimizer_name`: 优化器名称。默认adam
+* `regularization_coeff`: 正则化的λ参数。默认为1e-3
 
 #### 运行配置
 `RunConfig` 主要控制Finetune的训练，包含以下可控制的参数:
@@ -90,39 +86,32 @@ config = hub.RunConfig(use_cuda=True, use_data_parallel=True, use_pyreader=True,
 * `eval_interval`: 模型评估的间隔，默认每100个step评估一次验证集
 * `save_ckpt_interval`: 模型保存间隔，请根据任务大小配置，默认只保存验证集效果最好的模型和训练结束的模型
 * `use_cuda`: 是否使用GPU训练，默认为False
-* use_pyreader: 是否使用pyreader，默认False
-* use_data_parallel: 是否使用并行计算，默认False。打开该功能依赖nccl库
+* `use_pyreader`: 是否使用pyreader，默认False
+* `use_data_parallel`: 是否使用并行计算，默认True。打开该功能依赖nccl库
 * `checkpoint_dir`: 模型checkpoint保存路径, 若用户没有指定，程序会自动生成
 * `num_epoch`: finetune的轮数
 * `batch_size`: 训练的批大小，如果使用GPU，请根据实际情况调整batch_size
-* `enable_memory_optim`: 是否使用内存优化， 默认为True
 * `strategy`: Finetune优化策略
 
 ### Step4: 构建网络并创建分类迁移任务进行Finetune
+
 ```python
-pooled_output = outputs["pooled_output"]
-
-# feed_list的Tensor顺序不可以调整
-feed_list = [
-    inputs["input_ids"].name,
-    inputs["position_ids"].name,
-    inputs["segment_ids"].name,
-    inputs["input_mask"].name,
-]
-
-cls_task = hub.MultiLabelClassifierTask(
-    data_reader=reader,
-    feature=pooled_output,
+feature_map = output_dict["feature_map"]
+feed_list = [input_dict["image"].name]
+
+task = hub.ImageClassifierTask(
+    data_reader=data_reader,
     feed_list=feed_list,
+    feature=feature_map,
     num_classes=dataset.num_labels,
     config=config)
-
-cls_task.finetune_and_eval()
+    
+task.finetune_and_eval()
 ```
 **NOTE:**
-1. `outputs["pooled_output"]`返回了ERNIE/BERT模型对应的[CLS]向量,可以用于句子或句对的特征表达。
-2. `feed_list`中的inputs参数指名了ERNIE/BERT中的输入tensor的顺序，与MultiLabelClassifierTask返回的结果一致。
-3. `hub.MultiLabelClassifierTask`通过输入特征，label与迁移的类别数，可以生成适用于多标签分类的迁移任务`MultiLabelClassifierTask`
+1. `output_dict["feature_map"]`返回了resnet/mobilenet等模型对应的feature_map，可以用于图片的特征表达。
+2. `feed_list`中的inputs参数指明了resnet/mobilenet等模型的输入tensor的顺序，与ImageClassifierTask返回的结果一致。
+3. `hub.ImageClassifierTask`通过输入特征，label与迁移的类别数，可以生成适用于图像分类的迁移任务`ImageClassifierTask`
 
 ## 可视化
 
@@ -134,61 +123,9 @@ $ tensorboard --logdir $CKPT_DIR/visualization --host ${HOST_IP} --port ${PORT_N
 
 ## 模型预测
 
-通过Finetune完成模型训练后，在对应的ckpt目录下，会自动保存验证集上效果最好的模型。
-配置脚本参数
-```
-CKPT_DIR="./ckpt_toxic"
-python predict.py --checkpoint_dir $CKPT_DIR --max_seq_len 128
-```
-其中CKPT_DIR为Finetune API保存最佳模型的路径, max_seq_len是ERNIE模型的最大序列长度，*请与训练时配置的参数保持一致*
-
-参数配置正确后，请执行脚本`sh run_predict.sh`，即可看到以下文本分类预测结果, 以及最终准确率。
-如需了解更多预测步骤，请参考`predict.py`
-
-
-## 准备工作
-
-在运行本目录的脚本前，需要先安装1.3.0版本以上的PaddlePaddle（如果您本地已经安装了符合条件的PaddlePaddle版本，那么可以跳过`准备工作`这一步）。
-
-如果您的机器支持GPU，我们建议下载GPU版本的PaddlePaddle，使用GPU进行训练和预测的效率都比使用CPU要高。
-```shell
-# 安装GPU版本的PaddlePaddle
-$ pip install --upgrade paddlepaddle-gpu
-```
-
-如果您的机器不支持GPU，可以通过下面的命令来安装CPU版本的PaddlePaddle
-
-```shell
-# 安装CPU版本的PaddlePaddle
-$ pip install --upgrade paddlepaddle
-```
-
-在安装过程中如果遇到问题，您可以到[Paddle官方网站](http://www.paddlepaddle.org/)上查看解决方案。
-
-## 开始Fine-tune
+当完成Finetune后，Finetune过程在验证集上表现最优的模型会被保存在`${CHECKPOINT_DIR}/best_model`目录下，其中`${CHECKPOINT_DIR}`目录为finetune时所选择的保存checkpoint的目录。
 
-在完成安装PaddlePaddle与PaddleHub后，通过执行脚本`sh run_classifier.sh`即可开始使用进行finetune。
-
-脚本支持的参数如下：
-
-```shell
---batch_size: 批处理大小，请结合显存情况进行调整，若出现显存不足，请适当调低这一参数。默认为16
---num_epoch: finetune迭代的轮数。默认为1
---module: 使用哪个Module作为finetune的特征提取器，脚本支持{resnet50/resnet101/resnet152/mobilenet/nasnet/pnasnet}等模型。默认为resnet50
---checkpoint_dir: 模型保存路径，PaddleHub会自动保存验证集上表现最好的模型。默认为paddlehub_finetune_ckpt
---dataset: 使用什么数据集进行finetune, 脚本支持分别是{flowers/dogcat/stanforddogs/indoor67/food101}。默认为flowers
---use_gpu: 是否使用GPU进行训练，如果机器支持GPU且安装了GPU版本的PaddlePaddle，我们建议您打开这个开关。默认关闭
---use_data_parallel: 是否使用数据并行，打开该开关时，会将数据分散到不同的卡上进行训练（CPU下会分布到不同线程）。默认关闭
---use_pyreader: 是否使用pyreader进行数据喂入。默认关闭
-```
-
-## 进行预测
-
-当完成finetune后，finetune过程在验证集上表现最优的模型会被保存在`${CHECKPOINT_DIR}/best_model`目录下，其中`${CHECKPOINT_DIR}`目录为finetune时所选择的保存checkpoint的目录。
-
-我们使用该模型来进行预测。执行脚本`sh predict.sh`即可开始使用进行预测。
-
-脚本支持的参数如下：
+我们使用该模型来进行预测。predict.py脚本支持的参数如下：
 
 ```shell
 --module: 使用哪个Module作为finetune的特征提取器，脚本支持{resnet50/resnet101/resnet152/mobilenet/nasnet/pnasnet}等模型。默认为resnet50
@@ -198,4 +135,8 @@ $ pip install --upgrade paddlepaddle
 --use_pyreader: 是否使用pyreader进行数据喂入。默认关闭
 ```
 
-`注意`：进行预测时，所选择的module，checkpoint_dir，dataset必须和finetune所用的一样
+`注意`：进行预测时，所选择的module，checkpoint_dir，dataset必须和Finetune所用的一样
+
+参数配置正确后，请执行脚本`sh run_predict.sh`，即可看到以下图片分类预测结果
+如需了解更多预测步骤，请参考`predict.py`
+