更新readme

README.md

 # Densenet121
 
+## 论文
+
+Densely Connected Convolutional Networks
+
+- https://arxiv.org/pdf/1608.06993.pdf
+
 ## 模型介绍
 
-DenseNet-121是一种深度卷积神经网络，由Kaiming He等人于2017年提出。它是DenseNet系列中的一种，也是其中最流行的一种，被广泛应用于计算机视觉领域的图像分类、目标检测和语义分割等任务。
+DenseNet-121是一种深度卷积神经网络，如图所示，由Kaiming He等人于2017年提出。它是DenseNet系列中的一种，也是其中最流行的一种，被广泛应用于计算机视觉领域的图像分类、目标检测和语义分割等任务。
+
+![image-20231120204030674](C:\Users\36589\AppData\Roaming\Typora\typora-user-images\image-20231120204030674.png)
 
 ## 模型结构
 
-DenseNet-121的主要特点是密集连接（Dense Connection）。在传统的卷积神经网络中，每层只是简单地将输入映射到输出。而在DenseNet中，每层的输出都会连接到下一层的输入上，从而使得网络中的信息流更加充分，避免了信息的丢失。这种密集连接的方式也使得网络的训练更加容易，减少了梯度消失问题的发生。
+DenseNet的核心组件为“Dense Block”，如图所示，由Dense connectivity和Transition Layer组成。每个密集块中包含若干个卷积层和池化层，每个卷积层都会接收前面所有层的输入，并将它们连接到自己的输出上。而过渡层则用于将前面密集块的输出进行降维，减少参数数量。
 
-DenseNet-121的结构由4个密集块（Dense Block）和3个过渡层（Transition Layer）组成。其中，每个密集块中包含若干个卷积层和池化层，每个卷积层都会接收前面所有层的输入，并将它们连接到自己的输出上。而过渡层则用于将前面密集块的输出进行降维，减少参数数量。
+![image-20231120204212494](C:\Users\36589\AppData\Roaming\Typora\typora-user-images\image-20231120204212494.png)
 
-## 数据集
+## 环境配置
 
-在本测试中可以使用ImageNet数据集。
+### Docker（方法一）
 
-## DenseNet-121训练
+```python
+ git clone --recursive http://developer.hpccube.com/codes/modelzoo/densenet121_mmcv.git
+docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.10.0-centos7.6-dtk-22.10.1-py37-latest
+# <your IMAGE ID>用以上拉取的docker的镜像ID替换
+docker run --shm-size 10g --network=host --name=nit-pytorch --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/Densenet121-mmcv:/home/Densenet121-mmcv -it <your IMAGE ID> bash
 
-### 环境配置
+cd Densenet121-mmcv/mmclassification-mmcv
+pip install -r requirements.txt
+```
 
-下载工程代码：
+### Dockerfile（方法二）
 
-http://developer.hpccube.com/codes/aicomponent/mmclassification-mmcv.git
+```
+git clone --recursive http://developer.hpccube.com/codes/modelzoo/densenet121_mmcv.git
+cd Densenet121-mmcv/docker
+docker build --no-cache -t Densenet121-mmcv:latest .
+docker run --rm --shm-size 10g --network=host --name=megatron --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/../../Densenet121-mmcv:/home/Densenet121-mmcv -it megatron bash
+# 若遇到Dockerfile启动的方式安装环境需要长时间等待，可注释掉里面的pip安装，启动容器后再安装python库：
+cd mmclassification-mmcv
+pip install -r requirements.txt
+```
+
+## 数据集
 
-提供[光源](https://www.sourcefind.cn/#/service-details)拉取的训练的docker镜像：
+在本测试中可以使用ImageNet数据集。
 
-* 训练镜像：docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.10.0-centos7.6-dtk-22.10.1-py37-latest
-* pip install -r requirements.txt
-* cd mmclassification    
-* pip install -e .
+```
+├── meta
+├── train
+├── val
+```
 
 ### 训练
 
 将训练数据解压到data目录下。
 
-训练命令：
+### 单机8卡
 
     ./densenet121.sh
 
-## 准确率数据
+## 精度
 
 测试数据使用的是ImageNet数据集，使用的加速卡是DCU Z100L。
 
@@ -45,9 +70,23 @@ http://developer.hpccube.com/codes/aicomponent/mmclassification-mmcv.git
 | :--: | :-----------------------: |
 |  8   | top1:0.74044;top5:0.91672 |
 
+## result
+
+![img](https://developer.hpccube.com/codes/modelzoo/vit_pytorch/-/raw/master/image/README/1695381570003.png)
+
+## 应用场景
+
+### 算法类别
+
+图像分类
+
+### 热点行业
+
+制造，能源，交通，网安
+
 ### 源码仓库及问题反馈
 
-https://developer.hpccube.com/codes/modelzoo/densenet121-mmcvbe.com
+http://developer.hpccube.com/codes/modelzoo/densenet121_mmcv.git
 
 ### 参考