Merge branch 'icon' into 'master'

Add icon and scnet.

See merge request !1

README.md

 # ViT
-
 ## 论文
-
-An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale
-
-https://arxiv.org/abs/2010.11929
+`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](https://developer.hpccube.com/codes/modelzoo/megatron-deepspeed-vit_pytorch/-/raw/main/doc/vit.png)
@@ -18,9 +14,7 @@ Vision Transformer先将图像用卷积进行分块以降低计算量，再对
 ![img](https://developer.hpccube.com/codes/modelzoo/megatron-deepspeed-vit_pytorch/-/raw/main/doc/attention.png)
 
 ## 环境配置
-
 ### Docker（方法一）
-
 ```plaintext
 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
@@ -29,7 +23,6 @@ pip install -r requirements.txt
 ```
 
 ### Dockerfile（方法二）
-
 ```plaintext
 cd ViT-PyTorch/docker
 docker build --no-cache -t ViT-PyTorch:latest .
@@ -38,7 +31,6 @@ docker run --rm --shm-size 10g --network=host --name=megatron --privileged --dev
 ```
 
 ### Anaconda（方法三）
-
 1、关于本项目DCU显卡所需的特殊深度学习库可从光合开发者社区下载安装： https://developer.hpccube.com/tool/
 
 ```plaintext
@@ -56,10 +48,7 @@ pip install -r requirements.txt
 ```
 
 ## 数据集
-
-cifar10
-
-链接：https://pan.baidu.com/s/1ZFMQVBGQZI6UWZKJcTYPAQ?pwd=fq3l 提取码：fq3l 
+[cifar10](http://113.200.138.88:18080/aidatasets/project-dependency/cifar)
 
 ```
 ├── batches.meta
@@ -74,44 +63,39 @@ cifar10
 
 ## 训练
 下载预训练模型放在checkpoint目录下：
-
 ```
 wget https://storage.googleapis.com/vit_models/imagenet21k/ViT-B_16.npz
 ```
 
 ### 单机单卡
-
-    export HIP_VISIBLE_DEVICES=0
-    python3 -m torch.distributed.launch --nproc_per_node=1 train.py --name cifar10-100_500 --dataset cifar10 --model_type ViT-B_16 --pretrained_dir checkpoint/ViT-B_16.npz --train_batch_size 64 --num_steps 500
+```
+export HIP_VISIBLE_DEVICES=0
+python3 -m torch.distributed.launch --nproc_per_node=1 train.py --name cifar10-100_500 --dataset cifar10 --model_type ViT-B_16 --pretrained_dir checkpoint/ViT-B_16.npz --train_batch_size 64 --num_steps 500
+```
 
 ### 单机多卡
-
 ```
 python3 -m torch.distributed.launch --nproc_per_node=8 train.py --name cifar10-100_500 --dataset cifar10 --model_type ViT-B_16 --pretrained_dir checkpoint/ViT-B_16.npz --train_batch_size 64 --num_steps 500
 ```
+
 ## result
 ![1695381570003](image/README/1695381570003.png)
 ## 精度
-
 测试数据使用的是cifar10，使用的加速卡是DCU Z100L。
 
 | 卡数 | 精度 |
 | :------: | :------: |
 | 1 | Best Accuracy=0.3051 |
-## 应用场景
 
+## 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/vit-pytorch
+- https://developer.hpccube.com/codes/modelzoo/vit-pytorch
 
 ### 参考
-
-https://github.com/jeonsworld/ViT-pytorch
+- https://github.com/jeonsworld/ViT-pytorch
\ No newline at end of file