update README

README.md

-# bert_large_squad_onnx
+# bert_large_squad_onnxruntime
 ## 论文
-https://arxiv.org/pdf/1810.04805.pdf
+[BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding](https://arxiv.org/pdf/1810.04805.pdf)
 ## 模型结构
 bert_large_squad核心是transformer,transformer结构如下：
 
@@ -15,11 +15,13 @@ bert_large_squad模型的主要参数为：24个transformer层、1024个hidden s
 在[光源](https://www.sourcefind.cn/#/service-details)可拉取推理的docker镜像，在[光合开发者社区](https://cancon.hpccube.com:65024/4/main/)可下载onnxruntime安装包。bert_large_squad_onnx推荐的镜像如下：
 ```
 docker pull image.sourcefind.cn:5000/dcu/admin/base/custom:ort1.14.0_migraphx3.0.0-dtk22.10.1
+docker run -d -t --privileged --device=/dev/kfd --device=/dev/dri/ --network=host --group-add video --name bert-test image.sourcefind.cn:5000/dcu/admin/base/custom:ort1.14.0_migraphx3.0.0-dtk22.10.1
 ```
 在[huggingface](https://huggingface.co/ctuning/mlperf-inference-bert-onnx-fp32-squad-v1.1)下载模型model.onnx到当前目录
 
 执行fp16转换
 ```
+pip3 install onnxmltools
 python3 fp16-convert.py
 ```
 ## 推理
@@ -28,36 +30,8 @@ python3 main.py
 ```
 ## result
 ![image](https://developer.hpccube.com/codes/modelzoo/bert_large_squad_onnx/-/raw/main/resources/bert_result.png)
-### 性能数据
-
-fp32
-| loop | time(ms) |
-| :------: | :------: |
-| 1 | 0.09298863005824387 | 
-| 2 | 0.04267867305316031 | 
-| 3 | 0.04294574190862477 | 
-| 4 | 0.042622152948752046 | 
-| 5 | 0.042897791834548116 | 
-| 6 | 0.04309680196456611 | 
-| 7 | 0.04240077408030629 | 
-| 8 | 0.042515473905950785 | 
-| 9 | 0.0424974428024143 | 
-| 10 | 0.04259936395101249 | 
-
-fp16
-| loop | time(ms) |
-| :------: | :------: |
-| 1 | 0.059390615904703736 | 
-| 2 | 0.04876187210902572 | 
-| 3 | 0.04870052193291485 | 
-| 4 | 0.04873379203490913 | 
-| 5 | 0.04842417314648628 | 
-| 6 | 0.04876326210796833 | 
-| 7 | 0.04846481396816671 | 
-| 8 | 0.04872900294139981 | 
-| 9 | 0.048555332934483886 | 
-| 10 | 0.048343464033678174 | 
-
+### 性能和精度数据
+暂无
 ## 应用场景
 ### 算法类别
 nlp