Update README.md

README.md

 # ResNet50
+## 论文
+`Deep Residual Learning for Image Recognition`
 
-## 模型介绍
-使用ONNXRuntime推理框架对ResNet50模型进行推理。
+- 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
-采用ONNXRuntime框架使用DCU进行推理，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。
+![ResNet50模型结构]()
 
-### 下载镜像
+## 算法原理
+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。
 
-在光源中下载ONNXRuntime推理框架镜像： 
+![算法原理]()
 
+## 环境配置
+### Docker 
+拉取镜像：
 ```python
 docker pull image.sourcefind.cn:5000/dcu/admin/base/custom:ort1.14.0_migraphx3.0.0-dtk22.10.1
 ```
 
-### 设置Python环境变量
-
+创建并启动容器：
 ```
-export PYTHONPATH=/opt/dtk/lib:$PYTHONPATH
+docker run --shm-size 16g --network=host --name=resnet50_ort --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/resnet50_ort:/home/resnet50_ort -it <Your Image ID> /bin/bash
+
+# 激活dtk
+source /opt/dtk/env.sh
 ```
 
-### 安装依赖
+## 数据集
+Imagenet-1k
 
+## 推理
+### Python版本推理
+采用ONNXRuntime框架使用DCU进行推理，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Python环境变量
+```
+export PYTHONPATH=/opt/dtk/lib:$PYTHONPATH
+```
+#### 运行示例
 ```python
 # 进入resnet50 ort工程根目录
 cd <path_to_resnet50_ort> 
@@ -34,71 +49,42 @@ cd Python/
 
 # 安装依赖
 pip install -r requirements.txt
-```
-### 下载模型
 
-```python
+# 下载模型
 sh ./Resource/Models/download.sh
-```
 
-### 运行示例
-
-```python
+# 运行示例
 python Classifier.py
 ```
 
-## C++版本推理
-
+### C++版本推理
 采用ONNXRuntime框架使用DCU进行推理，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
-
-在光源中下载ONNXRuntime推理框架镜像： 
-
+#### 配置c++环境变量
 ```
-docker pull image.sourcefind.cn:5000/dcu/admin/base/custom:ort1.14.0_migraphx3.0.0-dtk22.10.1
-```
-
-### 安装Opencv依赖
-
-```python
-cd <path_to_resnet50_ort>
+# 安装Opencv依赖
+cd <path_to_resnet50_onnxruntime>
 sh ./3rdParty/InstallOpenCVDependences.sh
 ```
-
-### 下载模型
-
-```python
-sh ./Resource/Models/download.sh
-```
-
-### 安装OpenCV并构建工程
-
+#### 构建工程
 ```
 source /opt/dtk/env.sh
-
 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：
-
 ```
-export LD_LIBRARY_PATH=<path_to_resnet50_ort>/depend/lib64/:$LD_LIBRARY_PATH
+export LD_LIBRARY_PATH=<path_to_resnet50_onnxruntime>/depend/lib64/:$LD_LIBRARY_PATH
 ```
-
 然后执行:
-
 ```
 source ~/.bashrc
 ```
-
-### 运行示例
-
-```python
+####下载模型
+sh ./Resource/Models/download.sh
+#### 运行示例
+```
 # 进入resnet50 ort工程根目录
-cd <path_to_resnet50_ort> 
+cd <path_to_resnet50_onnxruntime> 
 
 # 进入build目录
 cd build/
@@ -106,13 +92,29 @@ cd build/
 # 执行示例程序
 ./ResNet50
 ```
+## result
 
+## 精度
+### 测试环境
+- 加速卡：Z100
+- 软件栈：dtk22.10.1
+- 数据集：imagenet-1k
 
-## 源码仓库及问题反馈
+### 性能
+| Engine | Model Path| Model Format | Accuracy(%) | Time(ms) |
+| :------: | :------: | :------: | :------: | :------: |
+| ONNXRuntime | model/resnet50-v2-7.onnx | onnx | 75.70 | 6.67 |
 
-https://developer.hpccube.com/codes/modelzoo/resnet50_ort
+## 应用场景
+### 算法类别
+`图像分类`
 
-## 参考
+### 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_onnxruntime
 
+## 参考资料
 https://github.com/onnx/models/tree/main/vision/classification/resnet