tutorials 标题

README.md

@@ -39,6 +39,7 @@ python -m spacy download en
 
 ## fastNLP教程
 
+- [0. 快速入门](https://fastnlp.readthedocs.io/zh/latest/user/quickstart.html)
 - [1. 使用DataSet预处理文本](https://fastnlp.readthedocs.io/zh/latest/tutorials/tutorial_1_data_preprocess.html)
 - [2. 使用DataSetLoader加载数据集](https://fastnlp.readthedocs.io/zh/latest/tutorials/tutorial_2_load_dataset.html)
 - [3. 使用Embedding模块将文本转成向量](https://fastnlp.readthedocs.io/zh/latest/tutorials/tutorial_3_embedding.html)
@@ -48,6 +49,7 @@ python -m spacy download en
 - [7. 使用Modules和Models快速搭建自定义模型](https://fastnlp.readthedocs.io/zh/latest/tutorials/tutorial_7_modules_models.html)
 - [8. 使用Metric快速评测你的模型](https://fastnlp.readthedocs.io/zh/latest/tutorials/tutorial_8_metrics.html)
 - [9. 使用Callback自定义你的训练过程](https://fastnlp.readthedocs.io/zh/latest/tutorials/tutorial_9_callback.html)
+- [10. 使用fitlog 辅助 fastNLP 进行科研](https://fastnlp.readthedocs.io/zh/latest/tutorials/tutorial_10_fitlog.html)
 
 
 

docs/source/tutorials/tutorial_1_data_preprocess.rst

@@ -1,5 +1,5 @@
 ==============================
-数据格式及预处理教程
+使用DataSet预处理文本
 ==============================
 
 :class:`~fastNLP.DataSet` 是fastNLP中用于承载数据的容器。可以将DataSet看做是一个表格，

docs/source/tutorials/tutorial_2_load_dataset.rst

@@ -1,6 +1,6 @@
-=========================
-数据集加载教程
-=========================
+=================================
+使用DataSetLoader加载数据集
+=================================
 
 这一部分是一个关于如何加载数据集的教程
 

docs/source/tutorials/tutorial_4_loss_optimizer.rst

@@ -1,8 +1,9 @@
 ==============================================================================
-Loss 和 optimizer 教程 ———— 以文本分类为例
+动手实现一个文本分类器I-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（label=1）、消极（label=0）还是中性（label=2），使用 :class:`~fastNLP.Trainer`  和  :class:`~fastNLP.Tester`  来进行快速训练和测试，损失函数之前的内容与 :doc:`/tutorials/tutorial_5_datasetiter` 中的完全一样，如已经阅读过可以跳过。
+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（label=1）、
+消极（label=0）还是中性（label=2），使用 :class:`~fastNLP.Trainer`  和  :class:`~fastNLP.Tester`  来进行快速训练和测试。
 
 --------------
 数据处理

docs/source/tutorials/tutorial_5_datasetiter.rst

@@ -1,8 +1,10 @@
 ==============================================================================
-DataSetIter 教程 ———— 以文本分类为例
+动手实现一个文本分类器II-使用DataSetIter实现自定义训练过程
 ==============================================================================
 
-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（label=1）、消极（label=0）还是中性（label=2），使用:class:`~fastNLP.DataSetIter` 类来编写自己的训练过程。自己编写训练过程之前的内容与 :doc:`/tutorials/tutorial_4_loss_optimizer` 中的完全一样，如已经阅读过可以跳过。
+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（label=1）、
+消极（label=0）还是中性（label=2），使用 :class:`~fastNLP.DataSetIter` 类来编写自己的训练过程。
+自己编写训练过程之前的内容与 :doc:`/tutorials/tutorial_4_loss_optimizer` 中的完全一样，如已经阅读过可以跳过。
 
 --------------
 数据处理

docs/source/tutorials/tutorial_6_seq_labeling.rst

@@ -1,5 +1,5 @@
 =====================
-序列标注教程
+快速实现序列标注模型
 =====================
 
 这一部分的内容主要展示如何使用fastNLP 实现序列标注任务。你可以使用fastNLP的各个组件快捷，方便地完成序列标注任务，达到出色的效果。

docs/source/tutorials/tutorial_7_modules_models.rst

@@ -1,5 +1,5 @@
 ======================================
-Modules 和 models 的教程
+使用Modules和Models快速搭建自定义模型
 ======================================
 
 :mod:`~fastNLP.modules` 和 :mod:`~fastNLP.models` 用于构建 fastNLP 所需的神经网络模型，它可以和 torch.nn 中的模型一起使用。

docs/source/tutorials/tutorial_8_metrics.rst

@@ -1,6 +1,6 @@
-=====================
-Metric 教程
-=====================
+===============================
+使用Metric快速评测你的模型
+===============================
 
 在进行训练时，fastNLP提供了各种各样的 :mod:`~fastNLP.core.metrics` 。
 如 :doc:`/user/quickstart`  中所介绍的，:class:`~fastNLP.AccuracyMetric` 类的对象被直接传到 :class:`~fastNLP.Trainer` 中用于训练

docs/source/tutorials/tutorial_9_callback.rst

@@ -1,6 +1,6 @@
-==============================================================================
-Callback 教程
-==============================================================================
+===================================================
+使用Callback自定义你的训练过程
+===================================================
 
 在训练时，我们常常要使用trick来提高模型的性能（如调节学习率），或者要打印训练中的信息。
 这里我们提供Callback类，在Trainer中插入代码，完成一些自定义的操作。