更新readme

.gitmodules

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

README.md

 # SeResnet50
 
+## 论文
+
+Squeeze-and-Excitation Networks
+
+- https://arxiv.org/pdf/1709.01507.pdf
+
 ## 模型介绍
 
 SE-ResNet50是一种基于残差网络（ResNet）和注意力机制（SE）的深度卷积神经网络模型，是由微软亚洲研究院提出的，是一种高效、快速、准确的图像分类模型，具有广泛的应用前景。
 
-## 模型结构
+![20231124110818](./images/20231124110818.png)
 
-Seresnet50的整体结构包括基础网络部分和Squeeze-and-Excitation(SE)模块。下面是该模型的详细结构：
+## 模型结构
 
-1. 基础网络部分：Seresnet50的基础网络部分是一个深度为50层的卷积神经网络，由5个卷积块组成。每个卷积块中包含多个卷积层和一个池化层。该网络的输入是一张图片，输出是一个向量，表示图片的类别。
+Seresnet50的整体结构包括基础网络部分和Squeeze-and-Excitation(SE)模块。
 
-2. Squeeze-and-Excitation(SE)模块：SE模块在每个卷积块的最后一层添加。这个模块可以自适应地调整每个通道的权重，以便更好地捕捉有意义的特征。它包括两个步骤：
+![20231124111112](./images/20231124111112.png)
 
-   - Squeeze操作：将卷积块的输出通过全局平均池化层(average pooling)压缩成一个1x1xC的向量（C是输出通道数）。
+## 环境配置
 
-   - Excitation操作：将这个向量作为输入，传递到两个全连接层中进行处理，并使用sigmoid函数进行激活，生成一个1x1xC的权重向量。然后将这个权重向量应用于原始输出，以使网络更好地学习数据集的特定特征。
+### Docker
 
-3. Residual Connection：在每个卷积块中，Seresnet50使用残差连接技术，将输入信息直接传递到后续层中。
+```python
+git clone --recursive http://developer.hpccube.com/codes/modelzoo/seresnet50_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/Seresnet50_mmcv :/home/Seresnet50_mmcv -it <your IMAGE ID> bash
 
-总体来说，Seresnet50模型结构包括深度为50层的卷积神经网络，每个卷积块包含多个卷积层和一个池化层，以及Squeeze-and-Excitation(SE)模块和Residual Connection技术。
+cd Seresnet50_mmcv/mmclassification-mmcv
+pip install -r requirements.txt
+```
 
 ## 数据集
 
 在本测试中可以使用ImageNet数据集。
 
-## SeResnet50训练
-
-### 环境配置
-
-下载工程代码：
-
-http://developer.hpccube.com/codes/aicomponent/mmclassification-mmcv.git
-
-提供[光源](https://www.sourcefind.cn/#/service-details)拉取的训练的docker镜像：
-
-* 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 .
+```
+├── 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
 
     ./seresnet50.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。
 
@@ -55,9 +58,23 @@ http://developer.hpccube.com/codes/aicomponent/mmclassification-mmcv.git
 | :--: | :---------------------: |
 |  8   | top1:0.7754;top5:0.9373 |
 
+## 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/seresnet50-mmcv
+https://developer.hpccube.com/codes/modelzoo/seresnet50_mmcv
 
 ### 参考
 

mmclassification-mmcv @ 0f6a312a

+Subproject commit 0f6a312ab4b30c6e27efd93608268fe0fe3f7dcc

model.properties

+# 模型唯一标识
+modelCode = 129
 # 模型名称
-modelName=Seresnet50-mmcv 
+modelName=Seresnet50_mmcv 
 # 模型描述
 modelDescription=Seresnet50是一种基于残差网络和注意力机制的深度卷积神经网络模型,基于MMCV实现测试
 # 应用场景
-appScenario=训练,图像分类
+appScenario=训练,图像分类,制造,能源,交通,网安
 # 框架类型
-frameType=PyTorch,MMCV
+frameType=pytorch,mmcv