更新readme

.gitmodules

+[submodule "mmclassification-mmcv"]
+	path = mmclassification-mmcv
+	url = http://developer.hpccube.com/codes/aicomponent/mmclassification-mmcv

README.md

 # Mobilenetv2
 
+## 论文
+
+MobileNetV2: Inverted Residuals and Linear Bottlenecks
+
+- https://openaccess.thecvf.com/content_cvpr_2018/papers/Sandler_MobileNetV2_Inverted_Residuals_CVPR_2018_paper.pdf
+
 ## 模型介绍
 
 MobileNetV2是一种轻量级的卷积神经网络模型，由Google在2018年提出。它是MobileNet系列中的第二个版本，主要用于移动设备和嵌入式设备等资源受限的环境中进行图像分类、目标检测等计算机视觉任务。
 
-## 模型结构
+![d15a0e56517b4f7284a862f1d6eaef9a](./images/d15a0e56517b4f7284a862f1d6eaef9a.png)
 
-MobileNetV2的网络结构主要由两部分组成：特征提取层和分类器。
 
-特征提取层采用了一连串的瓶颈块来减小模型大小和计算量。每个瓶颈块包括逐点卷积、逐通道扩展和逐点卷积三个操作。其中逐点卷积用于降低特征图的通道数量，逐通道扩展则是为了增加特征图的深度，逐点卷积再次将通道数量转换为更小的值。MobileNetV2引入了倒残差结构，即先使用逐点卷积缩小通道数量，然后使用瓶颈块处理特征图，最后再使用逐点卷积扩展通道数量。最后一个重要的设计是Squeeze-and-Excitation (SE)模块，它可以用于进一步优化特征提取。SE模块通过使用全局平均池化来获取特征图中每个通道的全局信息，并使用两个全连接层来动态地调整每个通道的权重，以增强重要的特征并抑制无关的特征。
 
-分类器采用全局平均池化和全连接层来进行图像分类。全局平均池化将特征图的每个通道降为一个值，然后将这些值传递给全连接层进行分类。这种方法不仅可以减少参数数量，还可以防止过拟合。
+## 模型结构
 
-## 数据集
+MobileNetV2的网络结构主要由两部分组成：特征提取层和分类器。
 
-在本测试中可以使用ImageNet数据集。
+![20231124104337](./images/20231124104337.png)
 
-## Mobilenetv2训练
+## 环境配置
 
-### 环境配置
+### Docker
 
-下载工程代码：
+```python
+git clone --recursive http://developer.hpccube.com/codes/modelzoo/mobilenetv2_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/Mobilenetv2_mmcv:/home/Mobilenetv2_mmcv -it <your IMAGE ID> bash
 
-http://developer.hpccube.com/codes/aicomponent/mmclassification-mmcv.git
+cd Mobilenetv2_mmcv/mmclassification-mmcv
+pip install -r requirements.txt
+```
 
-提供[光源](https://www.sourcefind.cn/#/service-details)拉取的训练的docker镜像：
+## 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 .
+在本测试中可以使用ImageNet数据集。
+
+```
+├── 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
 
     ./mobilenetv2.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。
 
@@ -47,9 +60,23 @@ http://developer.hpccube.com/codes/aicomponent/mmclassification-mmcv.git
 | :--: | :-----------------------: |
 |  8   | top1:0.71764;top5:0.90386 |
 
+## 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/mobilenetv2-mmcv
+https://developer.hpccube.com/codes/modelzoo/mobilenetv2_mmcv
 
 ### 参考
 

mmclassification-mmcv @ 0f6a312a

+Subproject commit 0f6a312ab4b30c6e27efd93608268fe0fe3f7dcc