update

README.md

-# ResNet50(Residual Network with 50-layer)
+# ResNet50
 
-## 模型介绍
+## 论文
 
-ResNet50是一种用于图像识别的深度神经网络模型。
+Deep Residual Learning for Image Recognition
+
+* https://arxiv.org/abs/1512.03385
 
 ## 模型结构
 
-ResNet50网络模型由一系列卷积层、池化层、全局平均池化层和全连接层组成。该模型的特殊之处在于它包含多个残差块，每个残差块由多个卷积层和跳跃连接组成。
+ResNet50是一种用于图像识别的深度神经网络模型，该模型由一系列卷积层、池化层、全局平均池化层和全连接层组成。该模型的特殊之处在于它包含多个残差块，每个残差块由多个卷积层和跳跃连接组成。
+
+![img](ResNet50.png)
+
+## 算法原理
 
 在ResNet50中，输入图像通过一系列卷积层和池化层进行特征提取，然后通过多个残差块进行深度特征学习。每个残差块包含多个卷积层和跳跃连接，跳跃连接允许信息在残差块内和残差块之间的传递，从而解决了深度神经网络中出现的梯度消失问题。最后，全局平均池化层将特征映射到一个固定长度的向量，该向量再通过全连接层进行分类或回归等任务。
 
-## 目标精度
+![img](Residual_Block.png)
+
+## 环境配置
 
-75.90% classification
+提供[光源](https://www.sourcefind.cn/#/service-details)拉取的训练的docker镜像：
+
+    docker pull image.sourcefind.cn:5000/dcu/admin/base/custom:mlperf-resnet50-mpirun-latest
+    # <Image ID>用上面拉取docker镜像的ID替换
+    # <Host Path>主机端路径
+    # <Container Path>容器映射路径
+    docker run -it --name mlperf_bert --shm-size=32G  --device=/dev/kfd --device=/dev/dri/ --cap-add=SYS_PTRACE --security-opt seccomp=unconfined --ulimit memlock=-1:-1 --ipc=host --network host --group-add video -v <Host Path>:<Container Path> <Image ID> /bin/bash
 
-## MLPerf代码参考版本
+镜像版本依赖：
 
-版本：mlperf_benchmark 
+* DTK驱动：dtk22.10.1
+* python: python3.8.2
 
-原始代码位置：
-* https://github.com/mlcommons/training/tree/master/image_classification/tensorflow2
+测试目录:
+
+```
+/root/resnet50
+```
 
 ## 数据集
 
@@ -27,49 +45,54 @@ ResNet50网络模型由一系列卷积层、池化层、全局平均池化层和
 
 具体处理方式可详见：https://github.com/mlcommons/training/tree/master/image_classification
 
-## 训练
-
-### 环境配置
+处理好的预训练模型结果如下：
 
-单机8卡进行性能&&精度测试
+    mlperf_resnet50
+    ├── checkpoint
+    ├── ckpt-0.data-00000-of-00001
+    ├── ckpt-0.index
+    ├── ckpt-500.data-00000-of-00001
+    ├── ckpt-500.index
 
-### 环境配置
+## 训练
 
-提供[光源](https://www.sourcefind.cn/#/service-details)拉取的训练的docker镜像：
+### 单机多卡
 
+单机8卡进行性能&&精度测试
 
-    docker pull image.sourcefind.cn:5000/dcu/admin/base/custom:mlperf-resnet50-mpirun-latest
+```
+bash 8dcu_multi.sh >& output.log &
+```
 
-python依赖安装（如已经拉取镜像可忽略下述依赖安装步骤）：
+## result
 
-    pip install -r requirement.txt
+![result](result.png)
 
-### 训练
+## 精度
 
-训练命令：
+采用上述输入数据，加速卡采用Z100L * 8，可最终达到官方收敛要求，即达到目标精度75.90% classification；
 
-    bash 8dcu_multi.sh >& output.log &
+| 卡数 | 类型     | 进程数 | 达到精度              |
+| ---- | -------- | ------ | --------------------- |
+| 8    | 混合精度 | 8      | 75.90% classification |
 
-### 预训练模型
+## 应用场景
 
-在本目录下我们提供了一个预训练模型如下：
+### 算法类别
 
-    mlperf_resnet50
-    ├── checkpoint
-    ├── ckpt-0.data-00000-of-00001
-    ├── ckpt-0.index
-    ├── ckpt-500.data-00000-of-00001
-    ├── ckpt-500.index
+`图像分类`
 
-## 测试结果
+### 热点应用行业
 
-采用上述输入数据，加速卡采用Z100L*8，可最终达到官方收敛要求；
+`制造,政府,医疗,科研`
 
 ## 源码仓库及问题反馈
 
-* https://developer.hpccube.com/codes/modelzoo/mlperf_resnet50
+* https://developer.hpccube.com/codes/modelzoo/mlperf_resnet50_tensorflow
 
 ## 参考
 
 * https://mlcommons.org/en/
 * https://github.com/mlcommons
+* https://github.com/mlcommons/training/tree/master/image_classification/tensorflow2
+

checkpoint

-model_checkpoint_path: "ckpt-500"
-all_model_checkpoint_paths: "ckpt-0"
-all_model_checkpoint_paths: "ckpt-500"
-all_model_checkpoint_timestamps: 1652335023.338002
-all_model_checkpoint_timestamps: 1652336122.617568
-last_preserved_timestamp: 1652335021.4878714

model.properties

+# 模型唯一标识
+modelCode=113
 # 模型名称
-modelName=MLPerf_ResNet50_TensorFlow
+modelName=mlperf_resnet50_tensorflow
 # 模型描述
-modelDescription=ResNet50是一种用于图像识别的深度神经网络模型
-# 应用场景(多个标签以英文逗号分割)
-appScenario=训练，CV
-# 框架类型(多个标签以英文逗号分割)
+modelDescription=resnet50_tensorflow是一种用于图像识别的深度神经网络模型
+# 应用场景
+appScenario=训练,CV,制造,政府,医疗,科研
+# 框架类型
 frameType=TensorFlow