Update readme.md

readme.md

-#一.api数据接收模块
-##1.调用main_merge.py中的data_fetch类，其中:
-###model分为'LXWL_model'和'JD_model'两种模式，分别是京东和非京东。
-###localhost为是否数据在本地服务器，False为在线上服务器。
-###True为在本地服务器。source为来源，比如'JD_ZH'或者'ZH_LXWL'。
-###填写好后使用run()方法即可获取数据并且提取参数，类别品牌匹配后放入数据库，准备在页面呈现。数据输出在数据库中。
-'''
+# 一.api数据接收模块
+## 1.调用main_merge.py中的data_fetch类，其中:
+### model分为'LXWL_model'和'JD_model'两种模式，分别是京东和非京东。
+### localhost为是否数据在本地服务器，False为在线上服务器。
+### True为在本地服务器。source为来源，比如'JD_ZH'或者'ZH_LXWL'。
+### 填写好后使用run()方法即可获取数据并且提取参数，类别品牌匹配后放入数据库，准备在页面呈现。数据输出在数据库中。
+```python
     data_api = data_fetch(model='LXWL_model', localhost=False, source=f'ZH_{channel}')
     data_api_table = data_api.run()
-'''
-#二.NER模块
-##1.训练模块lstm_train.py,在data中存入相应训练集，格式为XXXX_biaozhu.txt，在original_data中存入相应原始数据集，格式为XXXX.txt，其中XXXX为类别编码。
-##2.调用LSTMNER类，输入子类编码，在保证该类训练集和原始数据集都存在的情况下，使用train_model方法即可开始训练。
-'''
+```
+# 二.NER模块
+## 1.训练模块lstm_train.py,在data中存入相应训练集，格式为XXXX_biaozhu.txt，在original_data中存入相应原始数据集，格式为XXXX.txt，其中XXXX为类别编码。
+## 2.调用LSTMNER类，输入子类编码，在保证该类训练集和原始数据集都存在的情况下，使用train_model方法即可开始训练。
+```python
     ner = LSTMNER('0810')
     ner.train_model()
-'''
-##3.预测模块lstm_train.py，调用LSTMNER类，输入子类编码，保证该类已经训练过，使用param_extract()方法，输入待提取字符串即可进行名称参数提取，输出为参数项对应参数值的字典。
-#三.非标转标模块
-##1.调用seq2seq/seq2seq_main.py中的seq2seq类，输入子类编码和参数项
-##2.若要训练，保证seq2seq/data文件夹中有相应类和相应参数项的训练集，调用model_train()方法。
-##3.若模型已经存在，确保其在model文件夹中，调用model_load()方法。
-##4.非标转标调用decode_sequence()方法，输入非标准值，输出标准值，皆为字符串格式。
-'''
+```
+## 3.预测模块lstm_train.py，调用LSTMNER类，输入子类编码，保证该类已经训练过，使用param_extract()方法，输入待提取字符串即可进行名称参数提取，输出为参数项对应参数值的字典。
+# 三.非标转标模块
+## 1.调用seq2seq/seq2seq_main.py中的seq2seq类，输入子类编码和参数项
+## 2.若要训练，保证seq2seq/data文件夹中有相应类和相应参数项的训练集，调用model_train()方法。
+## 3.若模型已经存在，确保其在model文件夹中，调用model_load()方法。
+## 4.非标转标调用decode_sequence()方法，输入非标准值，输出标准值，皆为字符串格式。
+```python
     model_1 = seq2seq('0101','CPU型号')
     model_1.model_train()
     model_1.model_load()
     print(model_1.decode_sequence('I5-4200'))
-'''
+```
\ No newline at end of file