Update README.md

README.md

-# TVM 
-## 模型介绍
-```
-   ResNet-50v2是ResNet系列中的一个经典模型，由50层卷积层、批量归一化、激活函数和池化层构成。它引入了一种全新的残差块结构，
-即bottleneck结构，使得网络参数量大幅度降低，同时精度也有所提升，ResNet-50v2适用于各种图像分类任务。本示例为使用TVM对训练
-好的ResNet-50v2 onnx格式的模型文件，进行推理调优及部署的流程。
-```
-## 模型结构
-```
-    ResNet50-v2
-```
-## 模型文件
-  模型文件下载地址： 
-```
-    "https://github.com/onnx/models/raw/main/vision/classification/resnet/model/resnet50-v2-7.onnx"
-```
-## 数据集
-  python 推理及调优代码使用的图片数据为：
-```
-    "https://s3.amazonaws.com/model-server/inputs/kitten.jpg"
-``` 
-  标签数据为：
-```
-    "https://s3.amazonaws.com/onnx-model-zoo/synset.txt"
-```
-   C++部署代码使用数据为：
-```
-    "https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip"
-```
-## 推理、自动调优及部署
-###  环境配置
-  拉取镜像：
-```
-    docker pull image.sourcefind.cn:5000/dcu/admin/base/custom:tvm-0.11_fp32_cpp_dtk22.10_py38_centos-7.6-latest
-```
-
-###  执行推理及调优
-  下载模型文件后执行以下命令进行推理测试及调优测试：
-```
-    python tune_resnet50-v2.py
-```
-    
-    
-### 单卡部署推理测试
-  下载配置好镜像之后，cd /tvm-0.11-dev0/apps/ 进入该路径下，将代码下载放到该路径下，cd tvm_tune_resnet50-v2/ 进入该路径后，
-执行以下命令：
-```
-    mkdir -p lib
-    python prepare_test_libs.py
-    sh run_example.sh
-```
-## 准确率数据
-```
-    max_num:15.6692
-    max_iter:0x28cda14
-    max_num_index:345
-```
-## TVM版本
-```
-    TVM-0.11
-```   
-    
-
-## 源码仓库及问题反馈
-
-   * https://developer.hpccube.com/codes/modelzoo/tvm_tune_resnet50-v2
-
-## 参考
-
-   * [https://tvm.apache.org/docs/how_to/tune_with_autoscheduler/tune_network_cuda.html#sphx-glr-how-to-tune-with-autoscheduler-tune-network-cuda-py]()
-
+# ResNet50_v2
+## 论文
+`Deep Residual Learning for Image Recognition`
+- https://arxiv.org/abs/1512.03385
+## 模型结构
+ResNet50网络中包含了49个卷积层、1个全连接层等
+
+![img](./doc/ResNet50.png)
+## 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。
+
+![img](./doc/Residual_Block.png)
+## 模型文件
+  模型文件下载地址： 
+```
+    "https://github.com/onnx/models/raw/main/vision/classification/resnet/model/resnet50-v2-7.onnx"
+```
+## 环境配置
+### Docker（方法一）
+
+拉取镜像：
+```
+    docker pull image.sourcefind.cn:5000/dcu/admin/base/custom:tvm-0.11_fp32_cpp_dtk22.10_py38_centos-7.6-latest
+```
+创建并启动容器
+```
+docker run --shm-size 16g --network=host --name=ResNet50_v2 --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/ResNet50_v2_tvm:/home/ResNet50_v2_tvm -it <Your Image ID> /bin/bash
+
+# 激活dtk
+source /opt/dtk/env.sh
+```
+### Dockerfile（方法二）
+```
+cd ./docker
+docker build --no-cache -t ResNet50_v2_tvm:0.11
+
+docker run --shm-size 16g --network=host --name=ResNet50_v2 --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/ResNet50_v2_tvm:/home/ResNet50_v2_tvm -it <Your Image ID> /bin/bash
+
+# 激活dtk
+source /opt/dtk/env.sh
+```
+## 数据集
+  python 推理及调优代码使用的图片数据为：
+```
+    "https://s3.amazonaws.com/model-server/inputs/kitten.jpg"
+``` 
+  标签数据为：
+```
+    "https://s3.amazonaws.com/onnx-model-zoo/synset.txt"
+```
+   C++部署代码使用数据为：
+```
+    "https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip"
+```
+###  执行推理及调优
+  下载模型文件后执行以下命令进行推理测试及调优测试：
+```
+    python tune_resnet50-v2.py
+```
+    
+    
+### 单卡部署推理测试
+  下载配置好镜像之后，cd /tvm-0.11-dev0/apps/ 进入该路径下，将代码下载放到该路径下，cd tvm_tune_resnet50-v2/ 进入该路径后，
+执行以下命令：
+```
+    mkdir -p lib
+    python prepare_test_libs.py
+    sh run_example.sh
+```
+## 准确率数据
+```
+    max_num:15.6692
+    max_iter:0x28cda14
+    max_num_index:345
+``` 
+## 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/tvm_tune_resnet50-v2
+
+## 参考
+
+   * [https://tvm.apache.org/docs/how_to/tune_with_autoscheduler/tune_network_cuda.html#sphx-glr-how-to-tune-with-autoscheduler-tune-network-cuda-py]()
+