Merge pull request #2381 from cuicheng01/add_finetune_docs

update finetune docs

docs/zh_CN/models/ImageNet1k/PP-HGNet.md

@@ -12,6 +12,8 @@
     - [3.1 环境配置](#3.1)
     - [3.2 数据准备](#3.2)
     - [3.3 模型训练](#3.3)
+      - [3.3.1 训练 ImageNet](#3.3.1)
+      - [3.3.2 基于 ImageNet 权重微调](#3.3.2)
     - [3.4 模型评估](#3.4)
     - [3.5 模型预测](#3.5)
 - [4. 模型推理部署](#4)
@@ -208,7 +210,10 @@ cd path_to_PaddleClas
 
 ### 3.3 模型训练
 
+<a name="3.3.1"></a>
 
+#### 3.3.1 训练 ImageNet
+    
 在 `ppcls/configs/ImageNet/PPHGNet/PPHGNet_small.yaml` 中提供了 PPHGNet_small 训练配置，可以通过如下脚本启动训练：
 
 ```shell
@@ -223,6 +228,13 @@ python3 -m paddle.distributed.launch \
 **备注：**
 
 * 当前精度最佳的模型会保存在 `output/PPHGNet_small/best_model.pdparams`
+    
+<a name="3.3.2"></a>
+
+#### 3.3.2 基于 ImageNet 权重微调
+
+如果训练的不是 ImageNet 任务，而是其他任务时，需要更改配置文件和训练方法，详情可以参考：[模型微调](../../training/single_label_classification/finetune.md)。
+    
 
 <a name="3.4"></a>
 
@@ -263,6 +275,8 @@ python3 tools/infer.py \
 * 默认是对 `docs/images/inference_deployment/whl_demo.jpg` 进行预测，此处也可以通过增加字段 `-o Infer.infer_imgs=xxx` 对其他图片预测。
 
 * 默认输出的是 Top-5 的值，如果希望输出 Top-k 的值，可以指定`-o Infer.PostProcess.topk=k`，其中，`k` 为您指定的值。
+   
+* 默认的标签映射基于 ImageNet 数据集，如果改变数据集，需要重新指定`Infer.PostProcess.class_id_map_file`，该映射文件的制作方法可以参考`ppcls/utils/imagenet1k_label_list.txt`。
 
 
 

docs/zh_CN/models/ImageNet1k/PP-LCNet.md

@@ -23,6 +23,8 @@
     - [3.1 环境配置](#3.1)
     - [3.2 数据准备](#3.2)
     - [3.3 模型训练](#3.3)
+      - [3.3.1 训练 ImageNet](#3.3.1)
+      - [3.3.2 基于 ImageNet 权重微调](#3.3.2)
     - [3.4 模型评估](#3.4)
     - [3.5 模型预测](#3.5)
 - [4. 模型推理部署](#4)
@@ -348,7 +350,9 @@ cd path_to_PaddleClas
 
 ### 3.3 模型训练
 
-### 3.3 模型训练
+<a name="3.3.1"></a>
+
+#### 3.3.1 训练 ImageNet
 
 在 `ppcls/configs/ImageNet/PPLCNet/PPLCNet_x1_0.yaml` 中提供了 PPLCNet_x1_0 训练配置，可以通过如下脚本启动训练：
 
@@ -364,6 +368,10 @@ python3 -m paddle.distributed.launch \
 
 * 当前精度最佳的模型会保存在 `output/PPLCNet_x1_0/best_model.pdparams`
 
+#### 3.3.2 基于 ImageNet 权重微调
+
+如果训练的不是 ImageNet 任务，而是其他任务时，需要更改配置文件和训练方法，详情可以参考：[模型微调](../../training/single_label_classification/finetune.md)。
+    
 <a name="3.4"></a>
 
 ### 3.4 模型评估
@@ -403,6 +411,8 @@ python3 tools/infer.py \
 * 默认是对 `docs/images/inference_deployment/whl_demo.jpg` 进行预测，此处也可以通过增加字段 `-o Infer.infer_imgs=xxx` 对其他图片预测。
 
 * 默认输出的是 Top-5 的值，如果希望输出 Top-k 的值，可以指定`-o Infer.PostProcess.topk=k`，其中，`k` 为您指定的值。
+    
+* 默认的标签映射基于 ImageNet 数据集，如果改变数据集，需要重新指定`Infer.PostProcess.class_id_map_file`，该映射文件的制作方法可以参考`ppcls/utils/imagenet1k_label_list.txt`。
 
 <a name="4"></a>
 

docs/zh_CN/models/ImageNet1k/PP-LCNetV2.md

@@ -20,6 +20,8 @@
     - [3.1 环境配置](#3.1)
     - [3.2 数据准备](#3.2)
     - [3.3 模型训练](#3.3)
+      - [3.3.1 训练 ImageNet](#3.3.1)
+      - [3.3.2 基于 ImageNet 权重微调](#3.3.2)
     - [3.4 模型评估](#3.4)
     - [3.5 模型预测](#3.5)
 - [4. 模型推理部署](#4)
@@ -229,6 +231,10 @@ cd path_to_PaddleClas
 <a name="3.3"></a>
 
 ### 3.3 模型训练
+    
+<a name="3.3.1"></a>
+
+#### 3.3.1 训练 ImageNet
 
 在 `ppcls/configs/ImageNet/PPLCNetV2/PPLCNetV2_base.yaml` 中提供了 PPLCNetV2_base 训练配置，可以通过如下脚本启动训练：
 
@@ -243,6 +249,10 @@ python3 -m paddle.distributed.launch \
 **备注：**
 
 * 当前精度最佳的模型会保存在 `output/PPLCNetV2_base/best_model.pdparams`
+    
+#### 3.3.2 基于 ImageNet 权重微调
+
+如果训练的不是 ImageNet 任务，而是其他任务时，需要更改配置文件和训练方法，详情可以参考：[模型微调](../../training/single_label_classification/finetune.md)。
 
 <a name="3.4"></a>
 
@@ -283,6 +293,8 @@ python3 tools/infer.py \
 * 默认是对 `docs/images/inference_deployment/whl_demo.jpg` 进行预测，此处也可以通过增加字段 `-o Infer.infer_imgs=xxx` 对其他图片预测。
 
 * 默认输出的是 Top-5 的值，如果希望输出 Top-k 的值，可以指定`-o Infer.PostProcess.topk=k`，其中，`k` 为您指定的值。
+    
+* 默认的标签映射基于 ImageNet 数据集，如果改变数据集，需要重新指定`Infer.PostProcess.class_id_map_file`，该映射文件的制作方法可以参考`ppcls/utils/imagenet1k_label_list.txt`。
 
 <a name="4"></a>
 

docs/zh_CN/models/ImageNet1k/ResNet.md

@@ -16,6 +16,8 @@
     - [3.1 环境配置](#3.1)
     - [3.2 数据准备](#3.2)
     - [3.3 模型训练](#3.3)
+      - [3.3.1 训练 ImageNet](#3.3.1)
+      - [3.3.2 基于 ImageNet 权重微调](#3.3.2)
     - [3.4 模型评估](#3.4)
     - [3.5 模型预测](#3.5)
 - [4. 模型推理部署](#4)
@@ -245,6 +247,10 @@ cd path_to_PaddleClas
 
 ### 3.3 模型训练
 
+<a name="3.3.1"></a>
+
+#### 3.3.1 训练 ImageNet
+
 在 `ppcls/configs/ImageNet/ResNet/ResNet50.yaml` 中提供了 ResNet50 训练配置，可以通过如下脚本启动训练：
 
 ```shell
@@ -259,6 +265,12 @@ python3 -m paddle.distributed.launch \
 
 * 当前精度最佳的模型会保存在 `output/ResNet50/best_model.pdparams`
 
+<a name="3.3.2"></a>
+
+#### 3.3.2 基于 ImageNet 权重微调
+
+如果训练的不是 ImageNet 任务，而是其他任务时，需要更改配置文件和训练方法，详情可以参考：[模型微调](../../training/single_label_classification/finetune.md)。
+
 <a name="3.4"></a>
 
 ### 3.4 模型评估
@@ -299,6 +311,8 @@ python3 tools/infer.py \
 
 * 默认输出的是 Top-5 的值，如果希望输出 Top-k 的值，可以指定`-o Infer.PostProcess.topk=k`，其中，`k` 为您指定的值。
 
+* 默认的标签映射基于 ImageNet 数据集，如果改变数据集，需要重新指定`Infer.PostProcess.class_id_map_file`，该映射文件的制作方法可以参考`ppcls/utils/imagenet1k_label_list.txt`。
+
 <a name="4"></a>
 
 ## 4. 模型推理部署

docs/zh_CN/training/single_label_classification/finetune.md

@@ -1,4 +1,4 @@
-# 微调模型
+# 模型微调
 ---
 
 此处提供了用户在 linux 操作系统上使用 PaddleClas 的微调（finetune）模型的教程，此处默认您已经配置好本地环境且已经执行过[快速开始](../../quick_start/quick_start_classification_professional.md)相关的代码。
@@ -50,7 +50,7 @@ val/ILSVRC2012_val_00000001.JPEG 65
 <a name="2.1"></a>
 ### 2.1 更改配置文件
 
-在 finetune 自己的任务时，往往需要更改训练的配置文件，在`ppcls/configs/ImageNet/`中，定义了所有模型在 ImageNet 数据上的训练配置，可以直接修改该配置完成训练。下面以 ResNet50_vd 为例子，详述需要修改的配置。
+在 finetune 自己的任务时，往往需要更改训练的配置文件，在`ppcls/configs/ImageNet/`中，定义了所有模型在 ImageNet 数据上的训练配置，可以直接修改该配置完成训练。下面以 ResNet50_vd 为例子，详述需要修改的配置。其中，该配置文件存在于`ppcls/configs/ImageNet/ResNet/ResNet50_vd.yaml`。
 
 1.类别数：类别数量默认为1000（ImageNet-1k类别数），此处需要修改为实际任务中的类别数量。
 ```
@@ -145,4 +145,4 @@ PaddleClas中的分类指标目前只支持 `Top-k`，如果需要更改 `k` 值
 
 3.在实际的任务中，训练轮数对结果影响可能也比较大，初期可以使用较小的轮数（如 20）来调试。
 
-4.模型在微调的过程中，学习率对结果影响比较大，建议多尝试几组学习率。
+4.模型在微调的过程中，学习率对结果影响比较大，建议多尝试几组学习率。