Update README.md

README.md

 # VisualGLM-6B
 
-## 模型论文
+## 论文
 无
 ## 模型结构
 VisualGLM 模型架构是 ViT + QFormer + ChatGLM，在预训练阶段对 QFormer 和 ViT LoRA 进行训练，在微调阶段对 QFormer 和 ChatGLM LoRA 进行训练，训练目标是自回归损失（根据图像生成正确的文本）和对比损失（输入 ChatGLM 的视觉特征与对应文本的语义特征对齐）
@@ -16,8 +16,6 @@ VisualGLM-6B 由 SwissArmyTransformer(简称sat) 库训练，这是一个支持T
 
 ## 环境配置
 ### Docker（方法一）
-
-在光源可拉取推理的docker镜像，拉取方式如下：
 ```
 docker pull image.sourcefind.cn:5000/dcu/admin/base/custom:visualglm-6b_pytorch-latest 
 docker run -it -v /path/your_data/:/path/your_data/ --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash
@@ -30,43 +28,29 @@ docker build --no-cache -t xxx:latest .
 docker run -it -v /path/your_data/:/path/your_data/ --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash
 ```
 
-## 推理
-
-### 数据集
-    无
+## 数据集
+无
 
-### 模型地址
+### 模型下载地址
     https://huggingface.co/THUDM/visualglm-6b/tree/main
 
+## 推理
+
 ### 代码推理
 
 进入容器后， 进行克隆 
-
 ```
 git clone  https://developer.hpccube.com/codes/modelzoo/visualglm6b_pytorch
 cd  visualglm6b_pytorch
 ```
-
-使用Huggingface transformers库调用模型，通过下面地址下载模型https://huggingface.co/THUDM/visualglm-6b/tree/main ， 可以通过python test.py（其中修改图像路径image_path和模型路径THUDM/visulglm-6b 为本地路径）运行模型，test.py的代码如下：
-```
-from transformers import AutoTokenizer, AutoModel
-tokenizer = AutoTokenizer.from_pretrained("THUDM/visualglm-6b", trust_remote_code=True)
-model = AutoModel.from_pretrained("THUDM/visualglm-6b", trust_remote_code=True).half().cuda()
-image_path = "your image path"
-response, history = model.chat(tokenizer, image_path, "描述这张图片。", history=[])
-print(response)
-response, history = model.chat(tokenizer, image_path, "这张图片可能是在什么场所拍摄的？", history=history)
-print(response)
+执行推理命令
 ```
-得到返回值
-```
-Specify both input_ids and inputs_embeds at the same time, will use inputs_embeds
-这张照片中，一位女士坐在沙发上使用笔记本电脑和鼠标。她似乎正在浏览网页或工作。她的姿势表明她在放松、享受或专注于她的工作。背景中的瓶子可能暗示着饮料或其他日常用品的存在。椅子和沙发的布置也表明这是一个舒适的环境，适合休息或进行轻松的工作活动。
-考虑到照片的背景和场景设置，可以推断出这个场景是一个舒适的环境中拍摄的照片，例如家庭住宅或休闲空间。这位女士坐在一张沙发上，周围有瓶子和其他物品，这表明这个地方可能有一些日常用品或装饰。这种布置可能会鼓励人们放松身心并享受他们的日常活动，比如观看电影、阅读书籍或者与亲朋好友聊天。
+python test.py  #修改相关图像路径image_path和模型路径THUDM/visulglm-6b
 ```
+
 ### 交互式命令行推理
 
-修改cli_demo_hf.py 中模型路径THUDM/visualglm-6b为本地模型路径，模型本地下载地址为https://huggingface.co/THUDM/visualglm-6b/tree/main
+修改cli_demo_hf.py 中模型路径THUDM/visualglm-6b为本地模型路径
 ```
 python cli_demo_hf.py 
 ```
@@ -74,9 +58,9 @@ python cli_demo_hf.py
 
 ### API部署推理
 
-首先需要安装额外的依赖 pip install fastapi uvicorn，然后运行仓库中的 api.py：
-
+首先需要安装额外的依赖,然后运行仓库中的 api.py：
 ```
+pip install fastapi uvicorn
 python api.py
 ```
 程序会自动下载 sat 模型，默认部署在本地的 8080 端口，通过 POST 方法进行调用。下面是用curl请求的例子（修改path/to/example.jpg为本地路径），一般而言可以也可以使用代码方法进行POST。
@@ -92,7 +76,7 @@ curl -X POST -H "Content-Type: application/json" -d @temp.json http://127.0.0.1:
 {"result":"这张照片中，一个年轻女子坐在沙发上，手里拿着笔记本电脑。她可能正在工作或学习，或者只是放松和享受时间。","history":[["描述这张图片","这张照片中，一个年轻女子坐在沙发上，手里拿着笔记本电脑。她可能正在工作或学习，或者只是放松和享受时间。"]],"status":200,"time":"2024-01-22 11:16:35"}
 ```
 
-### result
+## result
 推理图片的不同，会出现不同结果，下面为一个result示例：
  
 "这张照片中，一位女士坐在沙发上使用笔记本电脑和鼠标。似乎正在浏览网页或工作。她的姿势表明她在放松、享受或专注于她的工作。背景中的瓶子可能暗示着饮料或其他日常用品的存在。椅子和沙发的布置也表明这是一个舒适的环境，适合休息或进行轻松的工作活动。