Update README.md

README.md

-# ParticleNet
+# 1. 环境准备
+docker pull image.sourcefind.cn:5000/dcu/admin/base/tensorflow:2.18.0-ubuntu22.04-dtk25.04.2-py3.10
 
-## 论文
+# 2. 创建容器
+docker run -it \
+    --name ParticleNet \
+    --privileged \
+    --network=host \
+    --ipc=host \
+    --shm-size=64G \
+    --cap-add=SYS_PTRACE \
+    --device=/dev/dri:/dev/dri \
+    -v /opt/hyhal:/opt/hyhal:ro \
+    -v $PWD:/workspace \
+    --security-opt seccomp=unconfined \
+    image.sourcefind.cn:5000/dcu/admin/base/tensorflow:2.18.0-ubuntu22.04-dtk25.04.2-py3.10 \
+    /bin/bash
 
-`Jet Tagging via Particle Clouds`
 
-* https://arxiv.org/pdf/1902.08570
+# 3. 拉取代码&安装依赖
+cd /workspace
 
-## 模型结构
+git clone http://developer.sourcefind.cn/codes/modelzoo/particlenet_tensorflow.git
 
-本项目使用ParticleNet(Lite)，包含 EdgeConv 操作进行卷积，该操作能够利用粒子云的局部空间结构，并保持置换不变性。模型包含多个 EdgeConv 块，每个块使用不同数量的邻居和通道数，以学习不同尺度的特征。
+cd particlenet_tensorflow/tf-keras
 
-<img src="readme_imgs/arch.png" style="zoom:70%">
+pip install -r requirements.txt
+pip install tf_keras==2.18.0  -i https://pypi.tuna.tsinghua.edu.cn/simple --no-deps
 
-## 算法原理
+# 4. 下载&预处理数据集
+mkdir original
 
-该算法将喷注视为“粒子云”，即无序的粒子集合。 它利用 EdgeConv 操作和动态图更新方法，有效地提取粒子云的局部空间结构和特征，从而实现对喷注的准确分类。
+cd original
 
+curl -O -L https://zenodo.org/record/2603256/files/train.h5
+curl -O -L https://zenodo.org/record/2603256/files/test.h5
+curl -O -L https://zenodo.org/record/2603256/files/val.h5
 
-## 环境配置
+cd ..
+python convert_dataset.py  # 程序结束后生成converted目录
 
-注意：所有文件均在`tf-keras`目录下。
-
-### Docker（方法一）
-    
-    docker pull image.sourcefind.cn:5000/dcu/admin/base/tensorflow:2.13.1-py3.10-dtk24.04.3-ubuntu20.04
-
-    docker run --shm-size 50g --network=host --name=particlenet --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v 项目地址(绝对路径):/home/ -v /opt/hyhal:/opt/hyhal:ro -it <your IMAGE ID> bash
-    
-    cd tf-keras
-    pip install -r requirements.txt
-
-### Dockerfile（方法二）
-
-    docker build -t <IMAGE_NAME>:<TAG> .
-
-    docker run --shm-size 50g --network=host --name=particlenet --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v 项目地址(绝对路径):/home/ -v /opt/hyhal:/opt/hyhal:ro -it <your IMAGE ID> bash
-
-    cd tf-keras
-    pip install -r requirements.txt
-
-
-## 数据集
-
-仅在tf-keras目录下可用
-
-[zenodo](https://zenodo.org/records/2603256)
-
-数据存储结构:
-```
-original/
-├── test.h5
-├── train.h5
-└── val.h5
-```
-
-运行`convert_dataset.py`对数据进行处理，
-```
-python convert_dataset.py
-```
-处理后
-```
-converted/
-├── test_file_0.awkd
-├── train_file_0.awkd
-└── val_file_0.awkd
-```
-
-<!-- 提示：执行下述命令启动服务，`jupyter notebook --no-browser --ip=0.0.0.0 --allow-root` -->
-
-## 训练
-
-```bash
-python keras_train.py
-```
-
-## 推理
-
-```bash
-python predict_demo.py
-```
-
-注意：代码仅提供简单的推理测试，需根据需求进行修改。
-
-## result
-
-![alt txt](readme_imgs/r.jpg)
-
-### 精度
-
-所有结果均使用项目中的默认参数训练得到.
-
-||val_acc|
-|:---:|:---:|
-|k100ai|0.9229|
-|gpu|0.9145|
-
-## 应用场景
-
-### 算法类别
-
-`ai for science`
-
-### 热点应用行业
-
-`高能物理,医疗,金融`
-
-
-## 源码仓库及问题反馈
-
-* https://developer.sourcefind.cn/codes/modelzoo/particlenet_tensorflow
-
-## 参考资料
-
-* https://github.com/hqucms/ParticleNet
+# 5. 测试命令
 
+训练：python keras_train.py
+推理：python predict_demo.py