fix tutorial_5

docs/source/tutorials/tutorial_5_loss_optimizer.rst

@@ -1,9 +1,8 @@
 ==============================================================================
-动手实现一个文本分类器I-使用Trainer和Tester快速训练和测试
+使用Trainer和Tester快速训练和测试
 ==============================================================================
 
-我们使用和 :doc:`/user/quickstart` 中一样的任务来进行详细的介绍。给出一段评价性文字，预测其情感倾向是积极的（label=0）、
-还是消极的（label=1），使用 :class:`~fastNLP.Trainer`  和  :class:`~fastNLP.Tester`  来进行快速训练和测试。
+我们使用前面介绍过的 :doc:`/tutorials/文本分类` 任务来进行详细的介绍。这里我们把数据集换成了SST2，使用 :class:`~fastNLP.Trainer`  和  :class:`~fastNLP.Tester`  来进行快速训练和测试。
 
 数据读入和处理
 -----------------
@@ -50,21 +49,22 @@
          
         Vocabulary(['hide', 'new', 'secretions', 'from', 'the']...)
 
-    除了可以对数据进行读入的Pipe类，fastNLP还提供了读入和下载数据的Loader类，不同数据集的Pipe和Loader及其用法详见 :doc:` </tutorials/tutorial_4_load_dataset>` 。
+    除了可以对数据进行读入的Pipe类，fastNLP还提供了读入和下载数据的Loader类，不同数据集的Pipe和Loader及其用法详见 :doc:`/tutorials/tutorial_4_load_dataset` 。
     
 数据集分割
-    由于SST2数据集的测试集并不带有标签数值，故我们分割出一部分训练集作为测试集。下面这段代码展示了 :meth:`~fastNLP.DataSet.split`  的使用方法
+    由于SST2数据集的测试集并不带有标签数值，故我们分割出一部分训练集作为测试集。下面这段代码展示了 :meth:`~fastNLP.DataSet.split`  的使用方法，
+    为了能让读者快速运行完整个教程，我们只取了训练集的前5000个数据。
 
     .. code-block:: python
 
-        train_data = databundle.get_dataset('train')
+        train_data = databundle.get_dataset('train')[:5000]
         train_data, test_data = train_data.split(0.015)
         dev_data = databundle.get_dataset('dev')
         print(len(train_data),len(dev_data),len(test_data))
 
     输出结果为::
 	
-        66339 872 1010
+        4925 872 75
 
 数据集 :meth:`~fastNLP.DataSet.set_input` 和  :meth:`~fastNLP.DataSet.set_target` 函数
     :class:`~fastNLP.io.SST2Pipe`  类的 :meth:`~fastNLP.io.SST2Pipe.process_from_file` 方法在预处理过程中还将训练、测试、验证
@@ -92,7 +92,7 @@
     当 :mod:`~fastNLP.core.field` 设定为input或者target的时候才有存在的意义。
 
     is_input为true的 :mod:`~fastNLP.core.field` 在 :class:`~fastNLP.DataSetIter` 迭代取出的batch_x 中，而is_target为true
-    的 :mod:`~fastNLP.core.field` 在:class:`~fastNLP.DataSetIter` 迭代取出的 batch_y 中。
+    的 :mod:`~fastNLP.core.field` 在 :class:`~fastNLP.DataSetIter` 迭代取出的 batch_y 中。
     具体分析见 :doc:`使用DataSetIter实现自定义训练过程 </tutorials/tutorial_6_datasetiter>` 。
 
 使用内置模型训练
@@ -111,7 +111,7 @@
         #还可以传入 kernel_nums, kernel_sizes, padding, dropout的自定义值
         model_cnn = CNNText((len(vocab),EMBED_DIM), num_classes=2, dropout=0.1)
 
-    使用fastNLP快速搭建自己的模型详见 :doc:`</tutorials/tutorial_8_modules_models>`  。
+    使用fastNLP快速搭建自己的模型详见 :doc:`/tutorials/tutorial_8_modules_models`  。
 
 评价指标
     训练模型需要提供一个评价指标。这里使用准确率做为评价指标。
@@ -199,25 +199,25 @@
     训练过程的输出如下::
 
         input fields after batch(if batch size is 2):
-            words: (1)type:torch.Tensor (2)dtype:torch.int64, (3)shape:torch.Size([2, 16])
+            words: (1)type:torch.Tensor (2)dtype:torch.int64, (3)shape:torch.Size([2, 13])
             seq_len: (1)type:torch.Tensor (2)dtype:torch.int64, (3)shape:torch.Size([2])
         target fields after batch(if batch size is 2):
             target: (1)type:torch.Tensor (2)dtype:torch.int64, (3)shape:torch.Size([2])
 
-        training epochs started 2019-09-17-14-29-00
+        training epochs started 2020-02-26-16-45-40
+        Evaluate data in 0.5 seconds!
+        Evaluation on dev at Epoch 1/10. Step:308/3080:
+        AccuracyMetric: acc=0.677752
 
-        Evaluate data in 0.11 seconds!
-        Evaluation on dev at Epoch 1/10. Step:4147/41470: 
-        AccuracyMetric: acc=0.762615
+        ......
 
-        ...
+        Evaluate data in 0.44 seconds!
+        Evaluation on dev at Epoch 10/10. Step:3080/3080:
+        AccuracyMetric: acc=0.725917
 
-        Evaluate data in 0.2 seconds!
-        Evaluation on dev at Epoch 10/10. Step:41470/41470: 
-        AccuracyMetric: acc=0.769495
 
-        In Epoch:2/Step:8294, got best dev performance:
-        AccuracyMetric: acc=0.800459
+        In Epoch:5/Step:1540, got best dev performance:
+        AccuracyMetric: acc=0.740826
         Reloaded the best model.
 
 快速测试