Update hardware support docs (PaddlePaddle#6805)

* Update hardware support docs

* Update docs

* Update docs

* Update dcu package name

docs/hardware_support/dcu/index_cn.rst

@@ -9,7 +9,7 @@
 飞桨框架支持基于海光 DCU 芯片的训练和推理，请参考以下内容快速体验：
 
 - `海光 DCU 基于框架的使用指南 <./paddle_tutorial_cn.html>`_ : 海光 DCU 基于框架的使用指南
-- `海光 DCU 基于套件的使用指南 <./suite_tutorial_cn.html>`_ : 海光 DCU 基于套件的使用指南
+- `海光 DCU 基于套件的使用指南 <./paddlex_tutorial_cn.html>`_ : 海光 DCU 基于套件的使用指南
 - `海光 DCU 支持模型 <./support_cn.html>`_ : 海光 DCU 支持模型
 
 ..  toctree::

docs/hardware_support/dcu/paddle_tutorial_cn.md

@@ -19,7 +19,7 @@
 *由于 dcu 代码位于飞桨主框架中，因此我们不需要安装额外的 Custom Device 包*
 
 ```shell
-python -m pip install --pre paddlepaddle-rocm -i https://www.paddlepaddle.org.cn/packages/nightly/dcu/
+python -m pip install --pre paddlepaddle-dcu -i https://www.paddlepaddle.org.cn/packages/nightly/dcu/
 ```
 
 ## 二、运行示例

docs/hardware_support/dcu/paddlex_tutorial_cn.md

@@ -0,0 +1,212 @@
+# 海光 DCU 基于套件的使用指南
+
+## 环境准备
+
+### 环境说明
+
+* 本教程介绍如何基于海光 DCU 进行 ResNet50 / DeepLabv3p 等不同领域模型的训练，总共需要 4 卡进行训练
+
+* 考虑到环境差异性，我们推荐使用教程提供的标准镜像完成环境准备：
+
+  * 镜像链接： registry.baidubce.com/device/paddle-dcu:dtk23.10.1-kylinv10-gcc73-py310
+
+### 环境安装
+
+1. 安装 PaddlePaddle
+
+*该命令会自动安装飞桨主框架每日自动构建的 nightly-build 版本*
+
+*由于 dcu 代码位于飞桨主框架中，因此我们不需要安装额外的 Custom Device 包*
+
+```shell
+python -m pip install --pre paddlepaddle-dcu -i https://www.paddlepaddle.org.cn/packages/nightly/dcu/
+```
+
+2. 安装 PaddleX 代码库
+
+```shell
+git clone https://github.com/PaddlePaddle/PaddleX.git
+
+# 如果速度较慢，可以考虑从 gitee 拉取
+# git clone https://gitee.com/paddlepaddle/PaddleX.git
+
+cd PaddleX
+
+# 安装 PaddleX whl
+# -e：以可编辑模式安装，当前项目的代码更改，都会直接作用到已经安装的 PaddleX Wheel
+pip install -e .
+```
+
+## 基于 PaddleX 训练 ResNet50
+
+### 一、安装 PaddleX 依赖
+
+```shell
+# 跳转到 PaddleX 根目录下
+cd /path/to/paddlex
+
+# 安装 PaddleX 相关依赖，由于我们使用的是图像分类模型，因此安装图像分类库
+paddlex --install PaddleClas
+
+# 完成安装后会有如下提示：
+# All packages are installed.
+```
+
+### 二、数据准备
+
+为了快速上手验证，我们基于 flowers 102 数据集进行快速体验：
+
+1. 下载数据集
+
+```shell
+# 跳转到 PaddleX 根目录下
+cd /path/to/paddlex
+
+# 下载并解压数据
+wget https://paddle-model-ecology.bj.bcebos.com/paddlex/data/cls_flowers_examples.tar -P ./dataset
+tar -xf ./dataset/cls_flowers_examples.tar -C ./dataset/
+```
+
+2. 数据校验
+
+```shell
+PaddleX 支持对数据集进行校验，确保数据集格式符合 PaddleX 的相关要求。同时在数据校验时，能够对数据集进行分析，统计数据集的基本信息。
+python main.py -c paddlex/configs/image_classification/ResNet50.yaml \
+    -o Global.mode=check_dataset \
+    -o Global.dataset_dir=./dataset/cls_flowers_examples
+
+# 命令运行成功后会在 log 中打印出 Check dataset passed ! 信息
+```
+
+更多关于 PaddleX 数据集说明的内容，可以查看 [PaddleX 数据集校验](https://github.com/PaddlePaddle/PaddleX/blob/release/3.0-beta/docs/tutorials/data/dataset_check.md)
+
+### 三、模型训练
+
+进入 `PaddleX` 目录下，执行如下命令启动 4 卡 DCU（0 ~ 3 号卡）训练，其中：
+
+* 参数 `-o Global.device` 指定的是即将运行的设备，这里需要传入的是 `gpu:0,1,2,3` ，通过指定该参数，PaddleX 调用飞桨的设备指定接口 `paddle.set_device` 来指定运行设备为 `gpu` ，在进行模型训练时，飞桨将自动调用 dcu 算子用于执行模型计算。关于设备指定的更多细节，可以参考官方 api [paddle.set_device](https://www.paddlepaddle.org.cn/documentation/docs/zh/api/paddle/device/set_device_cn.html#set-device)。
+
+* 参数 `-c paddlex/configs/image_classification/ResNet50.yaml` 表示读取指定目录下的配置文件，配置文件中指定了模型结构，训练超参等所有训练模型需要用到的配置，该文件中指定的模型结构为 `ResNet50`
+
+```shell
+python main.py -c paddlex/configs/image_classification/ResNet50.yaml \
+    -o Global.mode=train \
+    -o Global.dataset_dir=./dataset/cls_flowers_examples \
+    -o Global.output=resnet50_output \
+    -o Global.device="gpu:0,1,2,3"
+```
+
+上述命令会在 `PaddleX` 目录下产生一个 `resnet50_output/` 目录，该目录会存放训练过程中的模型参数
+
+### 四、模型推理
+
+#### 基于 PaddleInference 推理
+
+训练完成后，最优权重放在 `resnet50_output/best_model/` 目录下，其中 `inference.pdiparams`、`inference.pdiparams.info`、`inference.pdmodel` 3 个文件为静态图文件，用于推理使用，使用如下命令进行推理
+
+```shell
+python main.py -c paddlex/configs/image_classification/ResNet50.yaml \
+    -o Global.mode=predict \
+    -o Predict.model_dir="./resnet50_output/best_model" \
+    -o Predict.input_path="https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_image_classification_001.jpg" \
+    -o Global.device="gpu:0"
+```
+
+#### 转换 ONNX 模型
+
+如果您有额外的部署需求需要基于 ONNX 实现，我们也提供了专用的工具用于导出 ONNX 模型，参考如下步骤，即可将第一步导出的静态图模型转换为 ONNX 模型：
+
+a. 安装环境
+
+```shell
+# 安装 paddle2onnx，该工具支持将 PaddleInference 模型转换为 ONNX 格式
+python -m pip install paddle2onnx
+```
+
+b. 模型转换
+
+```shell
+paddle2onnx --model_dir=./resnet50_output/best_model/ \
+    --model_filename=inference.pdmodel \
+    --params_filename=inference.pdiparams \
+    --save_file=./resnet50_output/best_model/inference.onnx \
+    --enable_onnx_checker=True
+```
+
+该命令会在 `resnet50_output/best_model` 目录下生成 `inference.onnx` 文件
+
+## 基于 PaddleX 训练 DeepLabv3+
+
+### 一、安装 PaddleX 依赖
+
+```shell
+# 跳转到 PaddleX 根目录下
+cd /path/to/paddlex
+
+# 安装 PaddleX 相关依赖，由于我们使用的是图像分割模型，因此安装图像分割库
+paddlex --install PaddleSeg
+
+# 完成安装后会有如下提示：
+# All packages are installed.
+```
+
+### 二、数据准备
+
+为了快速上手验证，我们基于 PaddleX 准备的 Demo 数据集进行快速体验：
+
+1. 下载数据集
+
+```shell
+# 跳转到 PaddleX 根目录下
+cd /path/to/paddlex
+
+# 下载并解压数据
+wget https://paddle-model-ecology.bj.bcebos.com/paddlex/data/seg_optic_examples.tar -P ./dataset
+tar -xf ./dataset/seg_optic_examples.tar -C ./dataset/
+```
+
+2. 数据校验
+
+```shell
+# PaddleX 支持对数据集进行校验，确保数据集格式符合 PaddleX 的相关要求。同时在数据校验时，能够对数据集进行分析，统计数据集的基本信息。
+python main.py -c paddlex/configs/semantic_segmentation/Deeplabv3_Plus-R50.yaml \
+    -o Global.mode=check_dataset \
+    -o Global.dataset_dir=./dataset/seg_optic_examples
+
+# 命令运行成功后会在 log 中打印出 Check dataset passed ! 信息
+```
+
+更多关于 PaddleX 数据集说明的内容，可以查看 [PaddleX 数据集校验](https://github.com/PaddlePaddle/PaddleX/blob/release/3.0-beta/docs/tutorials/data/dataset_check.md)
+
+
+### 三、模型训练
+
+进入 `PaddleX` 目录下，执行如下命令启动 4 卡 DCU（0 ~ 3 号卡）训练，其中：
+
+* 参数 `-o Global.device` 指定的是即将运行的设备，这里需要传入的是 `gpu:0,1,2,3` ，通过指定该参数，PaddleX 调用飞桨的设备指定接口 `paddle.set_device` 来指定运行设备为 `gpu` ，在进行模型训练时，飞桨将自动调用 dcu 算子用于执行模型计算。关于设备指定的更多细节，可以参考官方 api [paddle.set_device](https://www.paddlepaddle.org.cn/documentation/docs/zh/api/paddle/device/set_device_cn.html#set-device)。
+
+* 参数 `-c paddlex/configs/semantic_segmentation/Deeplabv3_Plus-R50.yaml` 表示读取指定目录下的配置文件，配置文件中指定了模型结构，训练超参等所有训练模型需要用到的配置，该文件中指定的模型结构为 `Deeplabv3_Plus-R50`
+
+```shell
+python main.py -c paddlex/configs/semantic_segmentation/Deeplabv3_Plus-R50.yaml \
+    -o Global.mode=train \
+    -o Global.dataset_dir=./dataset/seg_optic_examples \
+    -o Global.output=deeplabv3p_output \
+    -o Global.device="gpu:0,1,2,3"
+```
+
+上述命令会在 `PaddleX` 目录下产生一个 `deeplabv3p_output/` 目录，该目录会存放训练过程中的模型参数
+
+### 四、模型推理
+
+#### 基于 PaddleInference 推理
+
+训练完成后，最优权重放在 `deeplabv3p_output/best_model/` 目录下，其中 `model/inference.pdiparams`、`model/inference.pdiparams.info`、`model/inference.pdmodel` 3 个文件为静态图文件，用于推理使用，使用如下命令进行推理
+
+```shell
+python main.py -c paddlex/configs/semantic_segmentation/Deeplabv3_Plus-R50.yaml \
+    -o Global.mode=predict \
+    -o Predict.model_dir="./deeplabv3p_output/best_model/model/" \
+    -o Predict.input_path="https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_semantic_segmentation_001.jpg" \
+    -o Global.device="gpu:0"
+```