Update README.md

README.md

@@ -11,25 +11,18 @@ BERT的全称为Bidirectional Encoder Representation from Transformers，是一
 
 ## 推理
 ### Python版本推理
-
 本次采用经典的Bert模型完成问题回答任务，模型和分词文件下载链接：https://pan.baidu.com/s/1yc30IzM4ocOpTpfFuUMR0w, 提取码：8f1a, 将bertsquad-10.onnx文件和uncased_L-12_H-768_A-12分词文件保存在Resource/文件夹下。下面介绍如何运行python代码示例，Python示例的详细说明见Doc目录下的Tutorial_Python.md。
 
 #### 下载镜像
-
 在光源中下载镜像： 
-
 ```python
 docker pull image.sourcefind.cn:5000/dcu/admin/base/custom:ort1.14.0_migraphx3.0.0-dtk22.10.1
 ```
-
 #### 设置Python环境变量
-
 ```
 export PYTHONPATH=/opt/dtk/lib:$PYTHONPATH
 ```
-
 #### 安装依赖
-
 ```python
 # 进入bert ort工程根目录
 cd <path_to_bert_ort> 
@@ -40,59 +33,43 @@ cd Python/
 # 安装依赖
 pip install -r requirements.txt
 ```
-
 #### 运行示例
-
 ```python
 python bert.py
 ```
-
 输出结果为：
-
 ```
 “1”："open-source exascale-class platform for accelerated computing",
 "2"："(Tensorflow / PyTorch)",
 "3"："scale"
 ```
-
 输出结果中，问题id对应预测概率值最大的答案。
 
 ### C++版本推理
-
 本次采用经典的Bert模型完成问题回答任务，模型和分词文件下载链接：https://pan.baidu.com/s/1yc30IzM4ocOpTpfFuUMR0w, 提取码：8f1a, 将bertsquad-10.onnx文件和uncased_L-12_H-768_A-12分词文件保存在Resource/文件夹下。下面介绍如何运行C++代码示例，C++示例的详细说明见Doc目录下的Tutorial_Cpp.md。
-
 #### 下载镜像
-
 在光源中下载镜像： 
 
 ```
 docker pull image.sourcefind.cn:5000/dcu/admin/base/custom:ort1.14.0_migraphx3.0.0-dtk22.10.1
 ```
-
-
 #### 构建工程
 
 ```
 rbuild build -d depend
 ```
-
 #### 设置环境变量
-
 将依赖库依赖加入环境变量LD_LIBRARY_PATH，在~/.bashrc中添加如下语句：
 
 ```
 export LD_LIBRARY_PATH=<path_to_bert_ort>/depend/lib64/:$LD_LIBRARY_PATH
 ```
-
 然后执行:
-
 ```
 source ~/.bashrc
 source /opt/dtk/env.sh
 ```
-
 #### 运行示例
-
 ```python
 # 进入bert ort工程根目录
 cd <path_to_bert_ort> 
@@ -103,9 +80,7 @@ cd build/
 # 执行示例程序
 ./Bert
 ```
-## result
 如下所示，在当前界面根据提示输入问题，得到预测答案。
-
 ```
 question：What is ROCm?
 answer：open-source exascale-class platform for accelerated computing
@@ -114,6 +89,13 @@ answer：tensorflow / pytorch
 question：What is ROCm built for?
 answer：scale
 ```
+## 应用场景
+### 算法类别
+参考此分类方法（上传时请去除参考图片）：
+![img](./doc/classes.png)
+`此处填算法类别`
+### 热点应用行业
+应用行业的填写需要做大量调研，从而为使用者提供专业、全面的推荐，除特殊算法，通常推荐数量>=3。
 
 ## 源码仓库及问题反馈