update paddle tutorial_e1

tutorials/fastnlp_tutorial_paddle_e1.ipynb

@@ -6,6 +6,8 @@
    "source": [
     "# 使用 paddlenlp 和 FastNLP 实现中文文本情感分析\n",
     "\n",
+    "本篇教程属于 **`FastNLP v0.8 tutorial` 的 `paddle examples` 系列**。在本篇教程中，我们将为您展示如何使用 `paddlenlp` 自然语言处理库和 `FastNLP` 来完成比较简单的情感分析任务。\n",
+    "\n",
     "1. 基础介绍：飞桨自然语言处理库 ``paddlenlp`` 和语义理解框架 ``ERNIE``\n",
     "\n",
     "2. 准备工作：使用 ``tokenizer`` 处理数据并构造 ``dataloader``\n",
@@ -254,8 +256,7 @@
     "\n",
     "其次，我们还可以为 ``Trainer`` 指定多个 ``Callback`` 来在基础的训练过程之外进行额外的定制操作。在本篇教程中，我们使用的 ``Callback`` 有以下三种：\n",
     "\n",
-    "- ``RichCallback`` - 在训练和验证时显示进度条，以便观察训练的过程\n",
-    "- ``LRSchedCallback`` - 由于我们使用了 ``Scheduler``，因此需要将 ``lr_scheduler`` 传给该 ``Callback`` 以在训练中进行更新\n",
+    "- ``LRSchedCallback`` - 由于我们使用了 ``Scheduler``，因此需要将 ``lr_scheduler`` 传给该 ``Callback`` 以在训练中进行更新。\n",
     "- ``LoadBestModelCallback`` - 该 ``Callback`` 会评估结果中的 ``'acc#accuracy'`` 值，保存训练中出现的正确率最高的模型，并在训练结束时加载到模型上，方便对模型进行测试和评估。\n",
     "\n",
     "在 ``Trainer`` 中，我们还可以设置 ``metrics`` 来衡量模型的表现。``Accuracy`` 能够根据传入的预测值和真实值计算出模型预测的正确率。还记得模型中 ``evaluate_step`` 函数的返回值吗？键 ``pred`` 和 ``target`` 分别为 ``Accuracy.update`` 的参数名，在验证过程中 ``FastNLP`` 会自动将键和参数名匹配从而计算出正确率，这也是我们规定模型需要返回字典类型数据的原因。\n",
@@ -820,7 +821,7 @@
     }
    ],
    "source": [
-    "from fastNLP import LRSchedCallback, RichCallback, LoadBestModelCallback\n",
+    "from fastNLP import LRSchedCallback, LoadBestModelCallback\n",
     "from fastNLP import Trainer, Accuracy\n",
     "from paddlenlp.transformers import LinearDecayWithWarmup\n",
     "\n",
@@ -834,7 +835,6 @@
     "callbacks = [\n",
     "    LRSchedCallback(lr_scheduler, step_on=\"batch\"),\n",
     "    LoadBestModelCallback(\"acc#accuracy\", larger_better=True, save_folder=\"fnlp-ernie\"),\n",
-    "    RichCallback()\n",
     "]\n",
     "trainer = Trainer(\n",
     "    model=model,\n",