added some descriptions of the parameters in ./transfer_learning/README_CN.md and ./train_lenet/README_CN.md

mindspore/lite/examples/train_lenet/README_CN.md

@@ -0,0 +1,119 @@
+# 目录
+
+<!-- TOC -->
+
+- [概述](#概述)
+- [数据集](#数据集)
+- [环境要求](#环境要求)
+- [快速入门](#快速入门)
+- [脚本详述](#脚本详述)
+
+<!-- /TOC -->
+
+# 概述
+
+本文主要讲解如何在端侧进行LeNet模型训练。首先在服务器或个人笔记本上进行模型转换；然后在安卓设备上训练模型。LeNet由2层卷积和3层全连接层组成，模型结构简单，因此可以在设备上快速训练。
+
+# Dataset
+
+本例使用[MNIST手写字数据集](http://yann.lecun.com/exdb/mnist/)
+
+- 数据集大小：52.4M, 60,000 28*28 10类
+    - 测试集：10,000 images
+    - 训练集：60,000 images
+
+- 数据格式：二进制文件
+    - 注意：数据处理会在dataset.cc中进行。
+
+- 数据集目录结构如下：
+
+```text
+mnist/
+├── test
+│   ├── t10k-images-idx3-ubyte
+│   └── t10k-labels-idx1-ubyte
+└── train
+    ├── train-images-idx3-ubyte
+    └── train-labels-idx1-ubyte
+```
+
+# 环境要求
+
+- 服务器或个人笔记本
+    - [MindSpore Framework](https://www.mindspore.cn/install/en): 建议使用Docker安装
+    - [MindSpore ToD Framework](https://www.mindspore.cn/tutorial/tod/en/use/prparation.html)
+    - [Android NDK r20b](https://dl.google.com/android/repository/android-ndk-r20b-linux-x86_64.zip)
+    - [Android SDK](https://developer.android.com/studio?hl=zh-cn#cmdline-tools)
+- Android移动设备
+
+# 快速入门
+
+安装完毕，在`./mindspore/mindspore/lite/examples/train_lenet`目录下执行脚本，命令如下：
+
+```bash
+sh ./prepare_and_run.sh -D DATASET_PATH [-d MINDSPORE_DOCKER] [-r RELEASE.tar.gz] [-t arm64|x86]
+```
+
+其中，`DATASET_PATH`是数据集路径；`MINDSPORE_DOCKER`是运行MindSpore的docker镜像，如果没有使用docker环境，则使用本地运行；`REALEASE.tar.gz`为端侧运行时训练工具压缩包绝对路径；`-t`选项为设备处理器架构，默认为`arm64`，如果输入`x86`则本地运行。注意：若在不同平台执行训练，需在先执行脚本前运行`make clean`指令。
+
+# 脚本详述
+
+`prepare_and_run.sh`脚本的功能如下：
+
+- 将Python模型文件转换为`.ms`文件。
+- 编译训练源码并将相关文件传输到设备端
+- 设备端执行训练
+
+运行命令参见[快速入门](#快速入门)
+
+## 模型准备
+
+脚本`prepare_model.sh`会基于MIndSpore架构将Python模型转换为`lenet_tod.mindir`模型；然后，使用MindSpore ToD 模型转换工具将`lenet_tod.mindir`文件转换为`lenet_tod.ms`文件。如果没有docker环境，则本地执行转换。
+
+## 模型训练
+
+将`lenet_tod.ms`模型文件、训练脚本、MindSpore ToD库文件和`MNIST`数据集拷贝到`package`文件夹。`/src`文件夹中代码将会被编译成arm64架构版本，生成的二进制文件会被拷贝至`package`文件夹。最后使用`adb`工具将`package`文件夹传输至设备端，并执行训练。
+
+# 工程目录
+
+``` python
+train_lenet/
+├── Makefile              # Makefile of src code
+├── model
+│   ├── lenet_export.py   # Python script that exports the LeNet model to .mindir
+│   ├── prepare_model.sh  # script that export model (using docker) then converts it
+│   └── train_utils.py    # utility function used during the export
+├── prepare_and_run.sh    # main script that creates model, compiles it and send to device for running
+├── README.md             # this manual
+├── scripts
+│   ├── eval.sh           # on-device script that load the train model and evaluates its accuracy
+│   ├── run_eval.sh       # adb script that launches eval.sh
+│   ├── run_train.sh      # adb script that launches train.sh
+│   └── train.sh          # on-device script that load the initial model and train it
+├── src
+│   ├── dataset.cc        # dataset handler
+│   ├── dataset.h         # dataset class header
+│   ├── net_runner.cc     # program that runs training/evaluation of models
+│   └── net_runner.h      # net_runner header
+```
+
+在脚本`prepare_and_run.sh`运行前，必须确保以下目录结构正确，这些文件将被传入设备用于训练。
+
+``` python
+├── package
+│   ├── bin
+│   │   └── net_runner                   # the executable that performs the training/evaluation
+│   ├── dataset
+│   │   ├── test
+│   │   │   ├── t10k-images-idx3-ubyte   # test images
+│   │   │   └── t10k-labels-idx1-ubyte   # test labels
+│   │   └── train
+│   │       ├── train-images-idx3-ubyte  # train images
+│   │       └── train-labels-idx1-ubyte  # train labels
+│   ├── eval.sh                          # on-device script that load the train model and evaluates its accuracy
+│   ├── lib
+│   │   └── libmindspore-lite.so         # MindSpore Lite library
+│   ├── model
+│   │   └── lenet_tod.ms                 # model to train
+│   └── train.sh                         # on-device script that load the initial model and train it
+```

mindspore/lite/examples/train_lenet/src/dataset.cc

@@ -21,7 +21,6 @@
 #include <iostream>
 #include <fstream>
 #include <memory>
-#include <filesystem>
 
 using LabelId = std::map<std::string, int>;
 

mindspore/lite/examples/train_lenet/src/net_runner.h

@@ -18,7 +18,7 @@
 #define MINDSPORE_LITE_EXAMPLES_TRAIN_LENET_SRC_NET_RUNNER_H_
 
 #include <tuple>
-#include <filesystem>
+#include <iomanip>
 #include <map>
 #include <vector>
 #include <string>

mindspore/lite/examples/transfer_learning/README_CN.md

@@ -0,0 +1,131 @@
+# 目录
+
+<!-- TOC -->
+
+- [概述](#概述)
+- [数据集](#环境要求)
+- [环境要求](#环境要求)
+- [快速入门](#快速入门)
+- [工程目录](#工程目录)
+
+<!-- /TOC -->
+
+# 概述
+
+本文主要讲解如何在端侧基于[efficientNet](https://arxiv.org/abs/1905.11946)模型迁移学习训练。首先在服务器或个人笔记本上进行模型转换；然后在安卓设备上训练模型。示例代码中使用efficientNet预训练模型，除最后全连接层外均冻结。这种训练模式能有效降低计算能耗，适用于端侧训练。
+
+# 数据集
+
+[Places dataset](http://places2.csail.mit.edu/)数据集包含不同分辨率的图片，总大小约100GB。本例使用大小仅有500MB的验证集 [validation data of small images](http://places2.csail.mit.edu/download.html)。
+
+- 数据集大小：501M，36, 500, 224*224 images 共365类
+- 数据格式：jpeg
+
+> 注意
+> - 当前发布版本中，数据通过dataset.cc中自定义的`DataSet`类加载。我们使用[ImageMagick convert tool](https://imagemagick.org/)进行数据预处理，包括图像裁剪、转换为BMP格式。
+> - 本例将使用10分类而不是365类。
+> - 训练、验证和测试数据集的比例分别是3:1:1。
+
+- 验证集数据目录结构如下:
+
+```text
+places
+├── val_256
+│   ├── Places365_val_00000001.jpg
+│   ├── Places365_val_00000002.jpg
+│   ├── ...
+│   ├── Places365_val_00036499.jpg
+│   └── Places365_val_00036500.jpg
+```
+
+# 环境要求
+
+- 服务端
+    - [MindSpore Framework](https://www.mindspore.cn/install/en) - 建议使用安装docker环境
+    - [MindSpore ToD Framework](https://www.mindspore.cn/tutorial/tod/en/use/prparation.html)
+    - [Android NDK r20b](https://dl.google.com/android/repository/android-ndk-r20b-linux-x86_64.zip)
+    - [Android SDK](https://developer.android.com/studio?hl=zh-cn#cmdline-tools)
+    - [ImageMagick convert tool](https://imagemagick.org/)
+- Android设备端
+
+# 快速入门
+
+安装完毕，在`./mindspore/mindspore/lite/examples/transfer_learning`目录下执行脚本，命令如下：
+
+```bash
+sh ./prepare_and_run.sh -D DATASET_PATH [-d MINDSPORE_DOCKER] [-r RELEASE.tar.gz] [-t arm64|x86]
+```
+
+其中，`DATASET_PATH`是数据集路径；`MINDSPORE_DOCKER`是运行MindSpore的docker镜像，如果没有使用docker环境，则使用本地运行；`REALEASE.tar.gz`为端侧运行时训练工具压缩包绝对路径；`-t`选项为设备处理器架构，默认为`arm64`，如果输入`x86`则本地运行。注意：若在不同平台执行训练，需在先执行脚本前运行`make clean`指令。
+
+# 脚本详述
+
+`prepare_and_run.sh`脚本的功能如下：
+
+- 将Python模型文件转换为`.ms`文件。
+- 编译训练源码并将相关文件传输到设备端
+- 设备端执行训练
+
+运行命令参见[快速入门](#快速入门)
+
+## 模型准备
+
+脚本`prepare_model.sh`会基于MIndSpore架构将Python模型转换为`lenet_tod.mindir`模型；然后，使用MindSpore ToD 模型转换工具将`lenet_tod.mindir`文件转换为`lenet_tod.ms`文件。如果没有docker环境，则本地执行转换。
+
+## 模型训练
+
+首先编译`/src`文件夹中训练代码源码，生成的二进制文件在`./bin`目录下；然后将`transfer_learning_tod.ms`模型文件、训练脚本、MindSpore ToD库文件、编译生成的`/bin`目录和预处理后的`Places`数据集拷贝到`package`文件夹；最后使用`adb`工具将`package`文件夹传输至设备端并执行训练。
+
+# 工程目录
+
+```text
+transfer_learning/
+├── Makefile                          # Makefile of src code
+├── model
+│   ├── effnet.py                     # Python implementation of efficientNet
+│   ├── transfer_learning_export.py   # Python script that exports the LeNet model to .mindir
+│   ├── prepare_model.sh              # script that export model (using docker) then converts it
+│   └── train_utils.py                # utility function used during the export
+├── prepare_and_run.sh                # main script that creates model, compiles it and send to device for running
+├── prepare_dataset.sh                # prepares the Places dataset (crop/convert/organizing folders)
+├── README.md                         # this manual
+├── scripts
+│   ├── eval.sh                       # script that load the train model and evaluates its accuracy
+│   ├── eval_untrained.sh             # script that load the untrained model and evaluates its accuracy
+│   ├── places365_val.txt             # association of images to classes withiin the Places 365 dataset
+│   └── train.sh                      # script that load the initial model and trains it
+├── src
+│   ├── dataset.cc        # dataset handler
+│   ├── dataset.h         # dataset class header
+│   ├── net_runner.cc     # program that runs training/evaluation of models
+│   └── net_runner.h      # net_runner header
+```
+
+在脚本`prepare_and_run.sh`运行前，必须确保以下目录结构正确，这些文件将被传入设备用于训练。
+
+```text
+package-arm64/
+├── bin
+│   └── net_runner                     # the executable that performs the training/evaluation
+├── dataset
+│   ├── 0                              # folder containing images 0-99 belonging to 0'th class
+│   │   ├── 0.bmp
+│   │   ├── 1.bmp
+│   │   ├── ....
+│   │   ├── 98.bmp
+│   │   └── 99.bmp
+│   ├── ...                            # folders containing images 0-99 belonging to 1'st-8'th classes
+│   ├── 9                              # folder containing images 0-99 belonging to 9'th class
+│   │   ├── 0.bmp
+│   │   ├── 1.bmp
+│   │   ├── ....
+│   │   ├── 98.bmp
+│   │   └── 99.bmp
+├── lib
+│   └── libmindspore-lite.so           # MindSpore Lite library
+├── model
+│   └── transfer_learning_tod.ms       # model to train
+├── eval.sh                            # script that load the train model and evaluates its accuracy
+├── eval_untrained.sh                  # script that load the untrain model and evaluates its accuracy
+└── train.sh                           # script that load the initial model and train it
+```

mindspore/lite/examples/transfer_learning/src/dataset.cc

@@ -22,7 +22,6 @@
 #include <iostream>
 #include <fstream>
 #include <memory>
-#include <filesystem>
 
 #pragma pack(push, 1)
 

mindspore/lite/examples/transfer_learning/src/net_runner.h

@@ -18,7 +18,7 @@
 #define MINDSPORE_LITE_EXAMPLES_TRANSFER_LEARNING_SRC_NET_RUNNER_H_
 
 #include <tuple>
-#include <filesystem>
+#include <iomanip>
 #include <map>
 #include <vector>
 #include <string>