Update README.md ——24.04.2

README.md

 # InceptionV3
-
-## 模型介绍
-InceptionV3是一种卷积神经网络模型，由Google的研究员Christian Szegedy等人在2015年提出。该模型采用了一种名为“Inception”的模块化结构，允许网络在不同的尺度上进行卷积操作，从而提高了网络的精度和效率。
+## 论文
+`Rethinking the Inception Architecture for Computer Vision`
+- https://arxiv.org/pdf/1512.00567v3.pdf
 
 ## 模型结构
 
 InceptionV3的整体结构由多个Inception模块组成，每个Inception模块由多个并行的卷积层和池化层组成。这些并行的卷积层和池化层的输出再被级联在一起，形成了一个高维度的特征向量，这个向量再被输入到下一个Inception模块中进行处理。
 
+<div align=center>
+    <img src="images/模型结构图.png"/>
+</div>
+
+## 算法原理
+Inception-v3 架构的使用 factorized convolutions (分解卷积) ，使用两个3x3的卷积核代替5x5的卷积核可以减少 28% 的参数量，另外分解后多使用了一个激活函数，增加了非线性表达的能力，分解示意图如下所示：
+
+<div align=center>
+    <img src="images/算法原理.png"/>
+</div>
+
+## 环境配置
+
+### Docker（方法一）
+此处提供[光源](https://www.sourcefind.cn/#/service-details)拉取docker镜像的地址与使用步骤，以及[光合](https://developer.hpccube.com/tool/)开发者社区深度学习库下载地址
+
+```
+docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:2.1.0-ubuntu20.04-dtk24.04.2-py3.10
+docker run -it --shm-size=128G -v /path/your_code_data/:/path/your_code_data/ -v /opt/hyhal:/opt/hyhal:ro --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name inceptionv3_pytorch  <your IMAGE ID> bash # <your IMAGE ID>为以上拉取的docker的镜像ID替换
+```
+### Dockerfile（方法二）
+此处提供dockerfile的使用方法
+```
+docker build --no-cache -t inceptionv3:latest .
+docker run -it --shm-size=128G -v /path/your_code_data/:/path/your_code_data/ -v /opt/hyhal:/opt/hyhal:ro --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name inceptionv3_pytorch bash
+```
+### Anaconda（方法三）
+此处提供本地配置、编译的详细步骤，例如：
+
+关于本项目DCU显卡所需的特殊深度学习库可从[光合](https://developer.hpccube.com/tool/)开发者社区下载安装。
+```
+DTK驱动：dtk24.04.2
+python：python3.10
+torch: 2.1.0
+torchvision: 0.16.0
+```
+`Tips：以上dtk驱动、python、torch等DCU相关工具版本需要严格一一对应`
 ## 数据集
 在本测试中可以使用ImageNet数据集。
-
-## InceptionV3训练
-
-### 环境配置
-
-提供[光源](https://www.sourcefind.cn/#/service-details)拉取的训练以及推理的docker镜像：
-
-* 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
-
-## 训练
-
-将训练数据解压到data目录下。
-
 预训练权重快速下载中心：[AIDatasets](http://113.200.138.88:18080/aidatasets)
-
 项目中的预训练权重可从快速下载通道下载：[ImageNet](http://113.200.138.88:18080/aidatasets/project-dependency/imagenet-2012)
+可参考[data/extract_ILSVRC.sh](https://developer.sourcefind.cn/codes/modelzoo/inceptionv3_pytorch/-/blob/master/data/extract_ILSVRC.sh)处理数据集，处理后数据集结构如下:
+```
+data
+└── imagenet
+    ├── train
+    │   ├── n01440764
+    │   │   ├── n01440764_10026.JPEG
+    │   │   ├── n01440764_10027.JPEG
+    ├──val
+    │   ├── n01440764 
+    │   │   ├── ILSVRC2012_val_00000293.JPEG
+    ├── meta
+    │   ├── train.txt
+    │   └── val.txt
+```
 
-训练命令：
+## 训练
 
+训练命令：
+```
+    chmod +x inception_v3.sh
     ./inception_v3.sh ${isperf} ${output_json} ${ngpu}
+    例如：HIP_VISIBLE_DEVICES=4,5,6,7 ./inception_v3.sh 0 output.json 4
+```
+${isperf}=0时，执行main.py；${isperf}=1时，执行perf.py
+
+## result
+<div align=center>
+    <img src="images/result.png"/>
+</div>
 
-## 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。
 
@@ -38,6 +87,12 @@ InceptionV3的整体结构由多个Inception模块组成，每个Inception模块
 | :--: | :-----------------------: |
 |  8   | top1:0.73888;top5:0.90528 |
 
-### 源码仓库及问题反馈
-
-https://developer.hpccube.com/codes/modelzoo/inceptionv3_pytorch
+## 应用场景
+### 算法类别
+`图像分类`
+### 热点应用行业
+`科研,制造,医疗,教育`
+## 源码仓库及问题反馈
+- https://developer.hpccube.com/codes/modelzoo/inceptionv3_pytorch
+## 参考资料
+- https://github.com/Lornatang/InceptionV3-PyTorch.git