Merge branch 'icon' into 'master'

Add icon and SCNet.

See merge request !1

README.md

 # Vision-Transformers-cifar10_pyTorch
 ## 论文
 `An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale`
-
 - https://arxiv.org/abs/2010.11929
+
 ## 模型结构
 Vision Transformer先将图像用卷积进行分块以降低计算量，再对每一块进行展平处理变成序列，然后将序列添加位置编码和cls token，再输入多层Transformer结构提取特征，最后将cls tooken取出来通过一个MLP（多层感知机）用于分类。
 
 ![img](./img/vit.png)
 ## 算法原理
+
 图像领域借鉴《Transformer is all you need！》算法论文中的Encoder结构提取特征，Transformer的核心思想是利用注意力模块attention提取特征：
 
 ![img](./img/attention.png)
+
 ## 环境配置
 ### Docker（方法一）
 此处提供[光源](https://www.sourcefind.cn/#/service-details)拉取docker镜像的地址与使用步骤
@@ -22,6 +24,7 @@ docker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=32G --p
 cd /path/workspace/
 pip install pandas==1.5.3
 ```
+
 ### Dockerfile（方法二）
 此处提供dockerfile的使用方法
 ```
@@ -29,6 +32,7 @@ cd ./docker
 docker build --no-cache -t yolov5:6.0 .
 docker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash
 ```
+
 ### Anaconda（方法三）
 此处提供本地配置、编译的详细步骤，例如：
 
@@ -46,10 +50,10 @@ torchvision:0.10.0
 pip install -r requirements.txt
 pip install pandas==1.5.3
 ```
+
 ## 数据集
 `CIFAR-10`
-
-- [https://www.cs.toronto.edu/~kriz/cifar.html](https://www.cs.toronto.edu/~kriz/cifar.html)
+- http://113.200.138.88:18080/aidatasets/project-dependency/cifar
 
 训练数据目录结构如下，用于正常训练的完整数据集请按此目录结构进行制备：
 ```
@@ -73,7 +77,6 @@ bash train.sh
 ```
 
 ## result
-
 ![accuracy](./img/accuracy.png)
 
 ### 精度
@@ -83,15 +86,16 @@ bash train.sh
 | 卡数 | 数据精度 | 准确率 |
 | :------: | :------: | :------: |
 | 4 | fp32 | 84.91% |
+
 ## 应用场景
 ### 算法类别
-
-`图像分类`
+图像分类
 
 ### 热点应用行业
-`制造,环保,医疗,气象`
+制造,环保,医疗,气象
 
 ## 源码仓库及问题反馈
 - https://developer.hpccube.com/codes/modelzoo/vision-transformers-cifar10_pytorch
+
 ## 参考资料
 - https://github.com/kentaroy47/vision-transformers-cifar10