Update files

README.md

@@ -82,7 +82,7 @@ tfrecord-imagenet
     
     sh /opt/dtk/.hip/replace_origin.sh
     export PYTHONPATH=/home/resnet50_tensorflow:$PYTHONPATH
-    在resnet_ctl_imagenet_main.py中添加环境变量os.environ["XLA_FLAGS"]="--xla_gpu_cuda_data_dir=/opt/dtk/amdgcn/bitcode”
+    在resnet_ctl_imagenet_main.py中添加环境变量os.environ["XLA_FLAGS"]="--xla_gpu_cuda_data_dir=/opt/dtk/amdgcn/bitcode"
     TF_XLA_FLAGS="--tf_xla_auto_jit=1" python3 official/vision/image_classification/resnet/resnet_ctl_imagenet_main.py --data_dir=/path/to/{ImageNet-tensorflow_data_dir} --model_dir=/path/to/{model_save_dir} --batch_size=128 --num_gpus=1  --use_synthetic_data=false  --train_epochs=90  --dtype=fp32
 
 #### 单机四卡训练指令：
@@ -95,7 +95,7 @@ tfrecord-imagenet
 
     sh /opt/dtk/.hip/replace_origin.sh
     export PYTHONPATH=/home/resnet50_tensorflow:$PYTHONPATH
-    在resnet_ctl_imagenet_main.py中添加环境变量os.environ["XLA_FLAGS"]="--xla_gpu_cuda_data_dir=/opt/dtk/amdgcn/bitcode”
+    在resnet_ctl_imagenet_main.py中添加环境变量os.environ["XLA_FLAGS"]="--xla_gpu_cuda_data_dir=/opt/dtk/amdgcn/bitcode"
     TF_XLA_FLAGS="--tf_xla_auto_jit=1" python3 official/vision/image_classification/resnet/resnet_ctl_imagenet_main.py --data_dir=/path/to/{ImageNet-tensorflow_data_dir} --model_dir=/path/to/{model_save_dir} --batch_size=512 --num_gpus=4  --train_epochs=90  --use_synthetic_data=false --dtype=fp32
 
 #### 多机多卡训练指令(以单机四卡模拟四卡四进程为例)：
@@ -113,7 +113,7 @@ sed指令只需要执行一次，添加支持多卡运行的代码
     
     sh /opt/dtk/.hip/replace_origin.sh
     export PYTHONPATH=/home/resnet50_tensorflow:$PYTHONPATH
-    在resnet_ctl_imagenet_main.py中添加环境变量os.environ["XLA_FLAGS"]="--xla_gpu_cuda_data_dir=/opt/dtk/amdgcn/bitcode”
+    在resnet_ctl_imagenet_main.py中添加环境变量os.environ["XLA_FLAGS"]="--xla_gpu_cuda_data_dir=/opt/dtk/amdgcn/bitcode"
     mpirun -np 4 --hostfile hostfile  -mca btl self,tcp  --allow-run-as-root  --bind-to none scripts-run/single_process_xla.sh
     
 ### fp16训练
@@ -128,7 +128,7 @@ sed指令只需要执行一次，添加支持多卡运行的代码
   
     sh /opt/dtk/.hip/replace_origin.sh
     export PYTHONPATH=/home/resnet50_tensorflow:$PYTHONPATH
-    在resnet_ctl_imagenet_main.py中添加环境变量os.environ["XLA_FLAGS"]="--xla_gpu_cuda_data_dir=/opt/dtk/amdgcn/bitcode”
+    在resnet_ctl_imagenet_main.py中添加环境变量os.environ["XLA_FLAGS"]="--xla_gpu_cuda_data_dir=/opt/dtk/amdgcn/bitcode"
     TF_XLA_FLAGS="--tf_xla_auto_jit=1" python3 official/vision/image_classification/resnet/resnet_ctl_imagenet_main.py --data_dir=/path/to/{ImageNet-tensorflow_data_dir} --model_dir=/path/to/{model_save_dir} --batch_size=128 --num_gpus=1  --train_epochs=90  --use_synthetic_data=false --dtype=fp16
 
 #### 单机四卡训练指令
@@ -142,7 +142,7 @@ sed指令只需要执行一次，添加支持多卡运行的代码
     
     sh /opt/dtk/.hip/replace_origin.sh
     export PYTHONPATH=/home/resnet50_tensorflow:$PYTHONPATH
-    在resnet_ctl_imagenet_main.py中添加环境变量os.environ["XLA_FLAGS"]="--xla_gpu_cuda_data_dir=/opt/dtk/amdgcn/bitcode”
+    在resnet_ctl_imagenet_main.py中添加环境变量os.environ["XLA_FLAGS"]="--xla_gpu_cuda_data_dir=/opt/dtk/amdgcn/bitcode"
     TF_XLA_FLAGS="--tf_xla_auto_jit=1" python3 official/vision/image_classification/resnet/resnet_ctl_imagenet_main.py --data_dir=/path/to/{ImageNet-tensorflow_data_dir} --model_dir=/path/to/{model_save_dir} --batch_size=512 --num_gpus=4  --train_epochs=90  --use_synthetic_data=false --dtype=fp16
 
 #### 多机多卡训练指令(以单机四卡模拟四卡四进程为例)
@@ -162,11 +162,11 @@ sed指令只需要执行一次，添加支持多卡运行的代码
  
     sh /opt/dtk/.hip/replace_origin.sh
     export PYTHONPATH=/home/resnet50_tensorflow:$PYTHONPATH
-    在resnet_ctl_imagenet_main.py中添加环境变量os.environ["XLA_FLAGS"]="--xla_gpu_cuda_data_dir=/opt/dtk/amdgcn/bitcode”
+    在resnet_ctl_imagenet_main.py中添加环境变量os.environ["XLA_FLAGS"]="--xla_gpu_cuda_data_dir=/opt/dtk/amdgcn/bitcode"
     mpirun -np 4 --hostfile hostfile  -mca btl self,tcp  --allow-run-as-root  --bind-to none scripts-run/single_process_xla.sh
 
 
-## 性能和准确率数据
+## 精度
 测试数据：[ImageNet的测试数据集](https://image-net.org/ "ImageNet数据集官网")，使用的加速卡:DCU-Z00-16G
 
 | 卡数 | batch size | 类型 |  Accuracy | 是否打开xla | 进程数 |

model.properties

@@ -5,6 +5,6 @@ modelName=resnet50_tensorflow2
 # 模型描述
 modelDescription=resnet50_tensorflow2是一个用于图像分类的深度学习模型
 # 应用场景
-appScenario=推理,训练,图像分类,cv
+appScenario=推理,训练,制造,政府,医疗,科研
 # 框架类型
 frameType=Tensorflow