Update 说明.md

说明.md

@@ -5,20 +5,20 @@
 ### 1.2 训练方法
  设置训练数据路径，需要修改的文件为honk-master/utils/model.py，将该文件中default_config中data_folder修改为自己的文件夹。   
  设置目标词，需要修改的文件为honk-master/utils/model.py,将该文件中default_config中wanted_words修改为自己要识别的关键词，格式为["关键词1"，"关键词2"].     
- 设置目标模型类型，加入参数--model 目标模型类型，可选的模型类型可以在utils/model.py文件中的ConfigType中查看。
- 输出文件默认放置在honk-master/model文件夹下，命名为model.pt,若要自定义输出路径，则修改utils/train.py文件下main函数中output_file项
- 训练CNN可以使用如下命令（使用默认的类型）
-`python -m utils.train --type [train|eval]`
- 训练RES模型推荐使用如下命令
-`python -m utils.train --wanted_words yes no up down left right on off stop go --dev_every 1 --n_labels 12 --n_epochs 26 --weight_decay 0.00001 --lr 0.1 0.01 0.001 --schedule 3000 6000 --model res{8,15,26}[-narrow]`
-若要使用CUDA，请将utils/train.py下global_config中的no_cuda字段设置为False，并设置gpu_no为想要运行的gpu序号
+ 设置目标模型类型，加入参数--model 目标模型类型，可选的模型类型可以在utils/model.py文件中的ConfigType中查看。    
+ 输出文件默认放置在honk-master/model文件夹下，命名为model.pt,若要自定义输出路径，则修改utils/train.py文件下main函数中output_file项       
+ 训练CNN可以使用如下命令（使用默认的类型）      
+`python -m utils.train --type [train|eval]`      
+ 训练RES模型推荐使用如下命令       
+`python -m utils.train --wanted_words yes no up down left right on off stop go --dev_every 1 --n_labels 12 --n_epochs 26 --weight_decay 0.00001 --lr 0.1 0.01 0.001 --schedule 3000 6000 --model res{8,15,26}[-narrow]`      
+若要使用CUDA，请将utils/train.py下global_config中的no_cuda字段设置为False，并设置gpu_no为想要运行的gpu序号      
 ## 2.使用模型
 ### 2.1设置config文件
- 设置输入模型路径，修改model_path字段
- 设置关键词，修改commands字段，要与训练模型时的关键词相同
- 若使用的模型是pt后缀，则设置backend为pytorch，若使用的是onnx模型，则设置backend为caffe2
+ 设置输入模型路径，修改model_path字段      
+ 设置关键词，修改commands字段，要与训练模型时的关键词相同      
+ 若使用的模型是pt后缀，则设置backend为pytorch，若使用的是onnx模型，则设置backend为caffe2      
 ## 3.服务端运行
- 在honk-master文件夹下使用命令`python3 .`，运行服务器端程序，默认端口为16888
-若没有报错则服务器端正常运行
+ 在honk-master文件夹下使用命令`python3 .`，运行服务器端程序，默认端口为16888      
+若没有报错则服务器端正常运行      
 ## 4.客户端运行
  由于honk引擎是植入在dingdang中的，要使用honk作为唤醒引擎时，需要设置.dingdang/profile文件下的stt_passive_engine为honk，再修改honk字段下的endpoint为运行服务端的机器ip地址