修改resnet50工程格式

README.md

 # ResNet50
 
-## 模型介绍
-使用MIGraphX推理框架对ResNet50模型进行推理。
+## 论文
+Deep Residual Learning for Image Recognition
+
+- https://arxiv.org/abs/1512.03385
 
 ## 模型结构
 ResNet50模型包含了49个卷积层、一个全连接层。
 
-## Python版本推理
+<img src="./Doc/Images/ResNet50.png" style="zoom:80%;" align=middle>
 
-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。
+## 算法原理
 
-### 下载镜像
+ResNet50使用了多个具有残差连接的残差块来解决梯度消失或梯度爆炸问题，并使得网络可以向更深层发展。
 
-下载MIGraphX镜像： 
+<img src="./Doc/Images/Residual_Block.png" style="zoom:100%;" align=middle>
 
-```python
-docker pull sugonhub/migraphx:3.2.1-centos7.6-dtk-23.04.1-py38
+## 环境配置
+
+### Docker
+
+拉取镜像：
+
+```plaintext
+docker pull image.sourcefind.cn:5000/dcu/admin/base/migraphx:4.0.0-centos7.6-dtk23.04.1-py38-latest
 ```
 
-### 设置Python环境变量
+创建并启动容器：
+
+```plaintext
+docker run --shm-size 16g --network=host --name=resnet50_migraphx --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/resnet50_migraphx:/home/resnet50_migraphx -it <Your Image ID> /bin/bash
+
+# 激活dtk
+source /opt/dtk/env.sh
+```
+
+## 数据集
+
+根据需求上传所需图像，可以对相应图像进行分类。
+
+## 推理
+
+### Python版本推理
+
+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。
+
+#### 设置环境变量
 
 ```
 export PYTHONPATH=/opt/dtk/lib:$PYTHONPATH
 ```
 
-### 安装依赖
+#### 运行示例
 
 ```python
 # 进入resnet50 migraphx工程根目录
@@ -34,28 +61,17 @@ cd <path_to_resnet50_migraphx>
 cd Python/
 
 # 安装依赖
-pip install -r requirements.txt
-```
-
-### 运行示例
-
-```python
+pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
+    
+# 运行示例
 python Classifier.py
 ```
 
-## C++版本推理
+### C++版本推理
 
 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
-
-下载MIGraphX镜像： 
-
-```
-docker pull sugonhub/migraphx:3.2.1-centos7.6-dtk-23.04.1-py38
-```
-
-### 安装Opencv依赖
+#### 安装Opencv依赖
 
 ```python
 cd <path_to_resnet50_migraphx>
@@ -63,13 +79,13 @@ sh ./3rdParty/InstallOpenCVDependences.sh
 ```
 
 
-### 安装OpenCV并构建工程
+#### 安装OpenCV并构建工程
 
 ```
 rbuild build -d depend
 ```
 
-### 设置环境变量
+#### 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：
 
@@ -83,7 +99,7 @@ export LD_LIBRARY_PATH=<path_to_resnet50_migraphx>/depend/lib64/:$LD_LIBRARY_PAT
 source ~/.bashrc
 ```
 
-### 运行示例
+#### 运行示例
 
 ```python
 # 进入resnet50 migraphx工程根目录
@@ -96,6 +112,44 @@ cd build/
 ./ResNet50
 ```
 
+## result
+
+### Python版本
+
+输出结果中，每个值分别对应每个label的实际概率。
+
+```
+[[-2.07131356e-02  2.25237340e-01 -1.98313904e+00 -2.97360039e+00
+  ...
+  -1.08657278e-01  3.15954179e-01  1.94901395e+00 -5.70572257e-01]]
+```
+
+### C++版本
+
+输出结果中，每个值分别对应每个label的实际概率。
+
+```
+label:0,confidence:-0.020714
+label:1,confidence:0.225237
+label:2,confidence:-1.983139
+label:3,confidence:-2.973600
+...
+label:996,confidence:-0.108657
+label:997,confidence:0.315954
+label:998,confidence:1.949014
+label:999,confidence:-0.570572
+```
+
+## 应用场景
+
+### 算法类别
+
+图像分类
+
+### 热点应用行业
+
+制造,政府,医疗,科研
+
 ## 源码仓库及问题反馈
 
 https://developer.hpccube.com/codes/modelzoo/resnet50_migraphx

model.properties

+# 模型唯一标识
+modelCode =241
 # 模型名称
-modelName=ResNet50_MIGraphX
+modelName=resnet50_migraphx
 # 模型描述
 modelDescription=ResNet50是一种用于图像分类的深度神经网络模型
 # 应用场景
-appScenario=推理,图像分类,cv
+appScenario=推理,图像分类,CV
 # 框架类型
-frameType=MIGraphX
+frameType=migraphx
\ No newline at end of file