disable guess_language in codehighlite (PaddlePaddle#43)

docs/docs/api/analysis_api.md

@@ -19,7 +19,7 @@ paddleslim.analysis.flops(program, detail=False) [源代码](https://github.com/
 
 **示例：**
 
-```
+```python
 import paddle.fluid as fluid
 from paddle.fluid.param_attr import ParamAttr
 from paddleslim.analysis import flops
@@ -90,7 +90,7 @@ paddleslim.analysis.model_size(program) [源代码](https://github.com/PaddlePad
 
 **示例：**
 
-```
+```python
 import paddle.fluid as fluid
 from paddle.fluid.param_attr import ParamAttr
 from paddleslim.analysis import model_size

docs/docs/api/nas_api.md

@@ -33,7 +33,7 @@ paddleslim.nas.SANAS(configs, server_addr=("", 8881), init_temperature=100, redu
 一个SANAS类的实例
 
 **示例代码：**
-```
+```python
 from paddleslim.nas import SANAS
 config = [('MobileNetV2Space')]
 sanas = SANAS(config=config)
@@ -54,7 +54,7 @@ tokens是一个列表，token映射到搜索空间转换成相应的网络结构
 根据传入的token得到一个模型结构实例。
 
 **示例代码：**
-```
+```python
 import paddle.fluid as fluid
 input = fluid.data(name='input', shape=[None, 3, 32, 32], dtype='float32')
 archs = sanas.token2arch(tokens)
@@ -70,7 +70,7 @@ paddleslim.nas.SANAS.next_archs()
 返回模型结构实例的列表，形式为list。
 
 **示例代码：**
-```
+```python
 import paddle.fluid as fluid
 input = fluid.data(name='input', shape=[None, 3, 32, 32], dtype='float32')
 archs = sanas.next_archs()

docs/docs/api/prune_api.md

@@ -12,7 +12,7 @@ paddleslim.prune.Pruner(criterion="l1_norm")[源代码](https://github.com/Paddl
 
 **示例代码：**
 
-```
+```python
 from paddleslim.prune import Pruner
 pruner = Pruner()
 ```
@@ -28,7 +28,7 @@ paddleslim.prune.Pruner.prune(program, scope, params, ratios, place=None, lazy=F
 - **scope(paddle.fluid.Scope)** - 要裁剪的权重所在的`scope`，Paddle中用`scope`实例存放模型参数和运行时变量的值。Scope中的参数值会被`inplace`的裁剪。更多介绍请参考[Scope概念介绍]()
 
 - **params(list<str>)** - 需要被裁剪的卷积层的参数的名称列表。可以通过以下方式查看模型中所有参数的名称:
-```
+```python
 for block in program.blocks:
     for param in block.all_parameters():
         print("param: {}; shape: {}".format(param.name, param.shape))
@@ -57,7 +57,7 @@ for block in program.blocks:
 **示例：**
 
 点击[AIStudio](https://aistudio.baidu.com/aistudio/projectDetail/200786)执行以下示例代码。
-```
+```python
 
 import paddle.fluid as fluid
 from paddle.fluid.param_attr import ParamAttr
@@ -149,7 +149,7 @@ paddleslim.prune.sensitivity(program, place, param_names, eval_func, sensitiviti
 
 - **param_names(list<str>)** - 待分析的卷积层的参数的名称列表。可以通过以下方式查看模型中所有参数的名称:
 
-```
+```python
 for block in program.blocks:
     for param in block.all_parameters():
         print("param: {}; shape: {}".format(param.name, param.shape))
@@ -165,7 +165,7 @@ for block in program.blocks:
 
 - **sensitivities(dict)** - 存放敏感度信息的dict，其格式为：
 
-```
+```python
 {"weight_0":
    {0.1: 0.22,
     0.2: 0.33
@@ -183,7 +183,7 @@ for block in program.blocks:
 
 点击[AIStudio](https://aistudio.baidu.com/aistudio/projectdetail/201401)运行以下示例代码。
 
-```
+```python
 import paddle
 import numpy as np
 import paddle.fluid as fluid
@@ -291,7 +291,7 @@ paddleslim.prune.merge_sensitive(sensitivities)[源代码](https://github.com/Pa
 
 - **sensitivities(dict)** - 合并后的敏感度信息。其格式为：
 
-```
+```bash
 {"weight_0":
    {0.1: 0.22,
     0.2: 0.33

docs/docs/api/quantization_api.md

@@ -3,7 +3,7 @@
 ## 量化配置
 通过字典配置量化参数
 
-```
+```python
 TENSORRT_OP_TYPES = [
     'mul', 'conv2d', 'pool2d', 'depthwise_conv2d', 'elementwise_add',
     'leaky_relu'

docs/docs/index.md

@@ -32,15 +32,15 @@ PaddleSlim是PaddlePaddle框架的一个子模块，主要用于压缩图像领
 - 安装develop版本
 
 
-```
+```bash
 git clone https://github.com/PaddlePaddle/PaddleSlim.git
 cd PaddleSlim
 python setup.py install
 ```
 
 - 安装官方发布的最新版本
 
-```
+```bash
 pip install paddleslim -i https://pypi.org/simple
 ```
 

docs/docs/table_latency.md

@@ -32,7 +32,7 @@
 
 **格式**
 
-```
+```text
 op_type,flag_bias,flag_relu,n_in,c_in,h_in,w_in,c_out,groups,kernel,padding,stride,dilation\tlatency
 ```
 
@@ -57,7 +57,7 @@ op_type,flag_bias,flag_relu,n_in,c_in,h_in,w_in,c_out,groups,kernel,padding,stri
 
 **格式**
 
-```
+```text
 op_type,n_in,c_in,h_in,w_in\tlatency
 ```
 
@@ -74,7 +74,7 @@ op_type,n_in,c_in,h_in,w_in\tlatency
 
 **格式**
 
-```
+```text
 op_type,active_type,n_in,c_in,h_in,w_in\tlatency
 ```
 
@@ -92,7 +92,7 @@ op_type,active_type,n_in,c_in,h_in,w_in\tlatency
 
 **格式**
 
-```
+```text
 op_type,n_in,c_in,h_in,w_in\tlatency
 ```
 
@@ -109,7 +109,7 @@ op_type,n_in,c_in,h_in,w_in\tlatency
 
 **格式**
 
-```
+```text
 op_type,flag_global_pooling,n_in,c_in,h_in,w_in,kernel,padding,stride,ceil_mode,pool_type\tlatency
 ```
 
@@ -132,7 +132,7 @@ op_type,flag_global_pooling,n_in,c_in,h_in,w_in,kernel,padding,stride,ceil_mode,
 
 **格式**
 
-```
+```text
 op_type,axis,n_in,c_in,h_in,w_in\tlatency
 ```
 

docs/docs/tutorials/nas_demo.md

@@ -7,13 +7,13 @@
 
 ### 1. 配置搜索空间
 详细的搜索空间配置可以参考<a href='../../../paddleslim/nas/nas_api.md'>神经网络搜索API文档</a>。
-```
+```python
 config = [('MobileNetV2Space')]
 
 ```
 
 ### 2. 利用搜索空间初始化SANAS实例
-```
+```python
 from paddleslim.nas import SANAS
 
 sa_nas = SANAS(
@@ -27,12 +27,12 @@ sa_nas = SANAS(
 ```
 
 ### 3. 根据实例化的NAS得到当前的网络结构
-```
+```python
 archs = sa_nas.next_archs()
 ```
 
 ### 4. 根据得到的网络结构和输入构造训练和测试program
-```
+```python
 import paddle.fluid as fluid
 
 train_program = fluid.Program()
@@ -57,14 +57,14 @@ with fluid.program_guard(train_program, startup_program):
 ```
 
 ### 5. 根据构造的训练program添加限制条件
-```
+```python
 from paddleslim.analysis import flops
 
 if flops(train_program) > 321208544:
     continue
 ```
 
 ### 6. 回传score
-```
+```python
 sa_nas.reward(score)
 ```

docs/docs/tutorials/pruning_demo.md

@@ -17,7 +17,7 @@
 
 不同模型的参数命名不同，在剪裁前需要确定待裁卷积层的参数名称。可通过以下方法列出所有参数名：
 
-```
+```python
 for param in program.global_block().all_parameters():
     print("param name: {}; shape: {}".format(param.name, param.shape))
 ```
@@ -28,7 +28,7 @@ for param in program.global_block().all_parameters():
 
 通过以下命令启动裁剪任务：
 
-```
+```python
 export CUDA_VISIBLE_DEVICES=0
 python train.py
 ```

docs/docs/tutorials/quant_aware_demo.md

@@ -10,7 +10,7 @@
 
 ### 1. 配置量化参数
 
-```
+```python
 quant_config = {
     'weight_quantize_type': 'abs_max',
     'activation_quantize_type': 'moving_average_abs_max',
@@ -27,15 +27,15 @@ quant_config = {
 
 ### 2. 对训练和测试program插入可训练量化op
 
-```
+```python
 val_program = quant_aware(val_program, place, quant_config, scope=None, for_test=True)
 
 compiled_train_prog = quant_aware(train_prog, place, quant_config, scope=None, for_test=False)
 ```
 
 ### 3.关掉指定build策略
 
-```
+```python
 build_strategy = fluid.BuildStrategy()
 build_strategy.fuse_all_reduce_ops = False
 build_strategy.sync_batch_norm = False
@@ -48,7 +48,7 @@ compiled_train_prog = compiled_train_prog.with_data_parallel(
 
 ### 4. freeze program
 
-```
+```python
 float_program, int8_program = convert(val_program, 
                                       place,
                                       quant_config,
@@ -58,7 +58,7 @@ float_program, int8_program = convert(val_program,
 
 ### 5.保存预测模型
 
-```
+```python
 fluid.io.save_inference_model(
     dirname=float_path,
     feeded_var_names=[image.name],

docs/docs/tutorials/quant_embedding_demo.md

@@ -81,7 +81,7 @@ mv text data/
 词典格式: 词<空格>词频。注意低频词用'UNK'表示
 
 可以按格式自建词典，如果自建词典跳过第一步。
-```
+```text
 the 1061396
 of 593677
 and 416629
@@ -126,7 +126,7 @@ sh cluster_train.sh
 ```
 
 本示例中按照单机多线程训练的命令进行训练，训练完毕后，可看到在当前文件夹下保存模型的路径为:     ``v1_cpu5_b100_lr1dir``, 运行 ``ls v1_cpu5_b100_lr1dir``可看到该文件夹下保存了训练的10个epoch的模型文件。
-```
+```text
 pass-0  pass-1  pass-2  pass-3  pass-4  pass-5  pass-6  pass-7  pass-8  pass-9
 ```
 
@@ -145,7 +145,7 @@ wget https://paddlerec.bj.bcebos.com/word2vec/test_mid_dir.tar
 python infer.py --infer_epoch --test_dir data/test_mid_dir --dict_path data/test_build_dict_word_to_id_ --batch_size 20000 --model_dir v1_cpu5_b100_lr1dir/  --start_index 0 --last_index 9
 ```
 运行该预测命令, 可看到如下输出
-```
+```text
 ('start index: ', 0, ' last_index:', 9)
 ('vocab_size:', 63642)
 step:1 249
@@ -173,7 +173,7 @@ epoch:9          acc:0.153
 ## 量化``基于skip-gram的word2vector模型``
 
 量化配置为:
-```
+```python
 config = {
         'params_name': 'emb',
         'quantize_type': 'abs_max'
@@ -188,7 +188,7 @@ python infer.py --infer_epoch --test_dir data/test_mid_dir --dict_path data/test
 
 运行输出为:
 
-```
+```text
 ('start index: ', 0, ' last_index:', 9)
 ('vocab_size:', 63642)
 quant_embedding config {'quantize_type': 'abs_max', 'params_name': 'emb', 'quantize_bits': 8, 'dtype': 'int8'}

docs/docs/tutorials/quant_post_demo.md

@@ -25,14 +25,14 @@
 
 ### 导出模型
 通过运行以下命令可将模型转化为离线量化接口可用的模型：
-```
+```bash
 python export_model.py --model "MobileNet" --pretrained_model ./pretrain/MobileNetV1_pretrained --data imagenet
 ```
 转化之后的模型存储在``inference_model/MobileNet/``文件夹下，可看到该文件夹下有``'model'``, ``'weights'``两个文件。
 
 ### 离线量化
 接下来对导出的模型文件进行离线量化，离线量化的脚本为[quant_post.py](./quant_post.py)，脚本中使用接口``paddleslim.quant.quant_post``对模型进行离线量化。运行命令为：
-```
+```bash
 python quant_post.py --model_path ./inference_model/MobileNet --save_path ./quant_model_train/MobileNet --model_filename model --params_filename weights
 ```
 
@@ -51,22 +51,22 @@ python quant_post.py --model_path ./inference_model/MobileNet --save_path ./quan
 使用[eval.py](./eval.py)脚本对量化前后的模型进行测试，得到模型的分类精度进行对比。
 
 首先测试量化前的模型的精度，运行以下命令：
-```
+```bash
 python eval.py --model_path ./inference_model/MobileNet --model_name model --params_name weights
 ```
 精度输出为:
-```
+```text
 top1_acc/top5_acc= [0.70913923 0.89548034]
 ```
 
 使用以下命令测试离线量化后的模型的精度：
 
-```
+```bash
 python eval.py --model_path ./quant_model_train/MobileNet
 ```
 
 精度输出为
-```
+```text
 top1_acc/top5_acc= [0.70141864 0.89086477]
 ```
 从以上精度对比可以看出，对``mobilenet``在``imagenet``上的分类模型进行离线量化后 ``top1``精度损失为``0.77%``， ``top5``精度损失为``0.46%``.