修改readme

README.md

-# ShuffleNetV2
+# VGG16
 
 ## 模型介绍
 
-ShuffleNetV2 是一种轻量级神经网络模型，旨在提高深度学习模型的效率和速度。ShuffleNetV2 利用组卷积和通道重排等技术，在保持准确性的同时，将参数量和计算量大幅降低。
+VGG模型是2014年ILSVRC竞赛的第二名，第一名是GoogLeNet。但是VGG模型在多个迁移学习任务中的表现要优于GoogLeNet。而且，从图像中提取CNN特征，VGG模型是首选算法。
 
 ## 模型结构
 
-ShuffleNetV2 的网络结构可以分为两个部分：基础网络和分类器。基础网络主要包含一系列 ShuffleNetV2 单元，用于提取图像特征；分类器则将提取的特征映射到类别概率上。
-
-ShuffleNetV2 的基础网络由四个阶段组成，每个阶段都包含多个 ShuffleNetV2 单元。第一个阶段是一个简单的卷积层，用于进行卷积和池化操作，并将输入图像转换为高级特征图。接下来的三个阶段都采用了 ShuffleNetV2 单元，其中第二个和第三个阶段还引入了 Downsampling 和 Upsampling 机制，用于对特征图进行降维和升维操作。
-
-在 ShuffleNetV2 单元中，逐点卷积（PointWise Convolution）和通道重排（Channel Shuffle）两个部分交替出现，以实现信息的混洗和传递。具体来说，逐点卷积用于将输入数据分为多个组，而通道重排则用于将不同组之间的特征图进行混洗，从而使得每个组都能够利用所有其他组的信息。
-
-最后，在基础网络的末尾，ShuffleNetV2 使用了全局平均池化（Global Average Pooling）来将特征图降维为一个向量，然后通过全连接层将其映射到类别概率上。
+VGG16共有16个层，是一个相当深的卷积神经网络。VGG各种级别的结构都采用了5段卷积，每一段有一个或多个卷积层。
 
 ## 数据集
 
 在本测试中可以使用ImageNet数据集。
 
-## ShuffleNetV2训练
+## VGG16训练
 
 ### 环境配置
 
@@ -39,7 +33,7 @@ http://developer.hpccube.com/codes/aicomponent/mmclassification-mmcv.git
 
 训练命令：
 
-    ./shufflenet_v2.sh
+    ./vgg16.sh
 
 ## 性能和准确率数据
 
@@ -47,7 +41,7 @@ http://developer.hpccube.com/codes/aicomponent/mmclassification-mmcv.git
 
 | 卡数 |      性能       |          精度           |
 | :--: | :-------------: | :---------------------: |
-|  8   | 1593.5samples/s | top1:0.6960;top5:0.8895 |
+|  8   | 887.12samples/s | top1:0.7162;top5:0.9049 |
 
 ### 参考