change pretrain and label path

doc/config.md

@@ -12,18 +12,18 @@
 
 |         字段             |            用途                |      默认值       |            备注            |
 | :----------------------: |  :---------------------:   | :--------------:  |   :--------------------:   |
-|      algorithm           |    设置算法                    |       CRNN        |     选择模型，支持模型请参考[简介]() |
+|      algorithm           |    设置算法                    |       CRNN        |     选择模型，支持模型请参考[简介](../../README.md) |
 |      use_gpu             |    设置代码运行场所            |       true        |                \                 |
-|      epoch_num           |    最大训练epoch数             |       3000        |                \                 |   
-|      log_smooth_window   |    滑动窗口大小            |       20          |                \                 |  
-|      print_batch_step    |    设置打印log间隔         |       10          |                \                 |  
-|      save_model_dir      |    设置模型保存路径        |  output/rec_CRNN  |                \                 |    
-|      save_epoch_step     |    设置模型保存间隔        |       3           |                \                 |  
-|      eval_batch_step     |    设置模型评估间隔        |       2000        |                \                 |  
-|train_batch_size_per_card |  设置训练时单卡batch size    |         256         |                \                 |  
-| test_batch_size_per_card |  设置评估时单卡batch size    |         256         |                \                 |  
-|      image_shape         |    设置输入图片尺寸        |   [3, 32, 100]    |                \                 |  
-|      max_text_length     |    设置文本最大长度        |       25          |                \                 |  
+|      epoch_num           |    最大训练epoch数             |       3000        |                \                 |
+|      log_smooth_window   |    滑动窗口大小            |       20          |                \                 |
+|      print_batch_step    |    设置打印log间隔         |       10          |                \                 |
+|      save_model_dir      |    设置模型保存路径        |  output/rec_CRNN  |                \                 |
+|      save_epoch_step     |    设置模型保存间隔        |       3           |                \                 |
+|      eval_batch_step     |    设置模型评估间隔        |       2000        |                \                 |
+|train_batch_size_per_card |  设置训练时单卡batch size    |         256         |                \                 |
+| test_batch_size_per_card |  设置评估时单卡batch size    |         256         |                \                 |
+|      image_shape         |    设置输入图片尺寸        |   [3, 32, 100]    |                \                 |
+|      max_text_length     |    设置文本最大长度        |       25          |                \                 |
 |      character_type      |    设置字符类型            |       ch          |    en/ch, en时将使用默认dict，ch时使用自定义dict|
 |      character_dict_path |    设置字典路径            |  ./ppocr/utils/ic15_dict.txt  |    \                 |
 |      loss_type           |    设置 loss 类型              |       ctc         |    支持两种loss： ctc / attention |

doc/recognition.md

@@ -98,6 +98,18 @@ word_dict.txt 每行有一个单字，将字符与数字索引映射在一起，
 
 PaddleOCR提供了训练脚本、评估脚本和预测脚本，本节将以 CRNN 识别模型为例：
 
+首先下载pretrain model，您可以下载训练好的模型在 icdar2015 数据上进行finetune
+``
+cd PaddleOCR/
+# 下载MobileNetV3的预训练模型
+wget -P ./pretrain_models/ https://paddleocr.bj.bcebos.com/rec_mv3_none_bilstm_ctc.tar
+# 解压模型参数
+cd pretrain_models
+tar -xf rec_mv3_none_bilstm_ctc.tar && rm -rf rec_mv3_none_bilstm_ctc.tar
+```
+
+开始训练:
+
 ```
 # 设置PYTHONPATH路径
 export PYTHONPATH=$PYTHONPATH:.
@@ -106,7 +118,7 @@ export CUDA_VISIBLE_DEVICES=0,1,2,3
 python3 tools/train.py -c configs/rec/rec_icdar15_train.yml
 ```
 
-PaddleOCR支持训练和评估交替进行, 可以在 `configs/rec/rec_icdar15_train.yml` 中修改 `eval_batch_step` 设置评估频率，默认每2000个iter评估一次。评估过程中默认将最佳acc模型，保存为 `output/rec_CRNN/best_accuracy` 。
+PaddleOCR支持训练和评估交替进行, 可以在 `configs/rec/rec_icdar15_train.yml` 中修改 `eval_batch_step` 设置评估频率，默认每500个iter评估一次。评估过程中默认将最佳acc模型，保存为 `output/rec_CRNN/best_accuracy` 。
 
 如果验证集很大，测试将会比较耗时，建议减少评估次数，或训练完再进行评估。