Update README.md

README.md

-# WeNet-Ort
-## 论文
-`WeNet: Production Oriented Streaming and Non-streaming End-to-End
-Speech Recognition Toolkit`
-- https://arxiv.org/pdf/2102.01547.pdf
-## 模型结构
-WeNet是一种hybird连接主义时间分类（CTC）/注意力架构，以transformer或conformer作为编码器和注意力解码器来重新存储CTC假设。为了在统一的模型中实现流和非流，以及使用了一种基于动态块的注意力策略，该策略允许自注意力以随机长度集中在正确的上下文上。
-
-![img](./Doc/images/wenet1.PNG)
-## 算法原理
-底层堆栈完全基于PyTorch及其生态系统。中间的堆栈由两部分组成。开发研究模型时，TorchScript用于开发模型，Torchaudio用于动态特征提取，分布式数据并行（DDP）用于分布式训练，torch实时（JIT）用于模型导出，PyTorch量化用于模型量化，LibTorch用于生产运行时。LibTorch产品用于托管生产模型，旨在支持各种硬件和平台，如CPU、GPU（CUDA）Linux、Android和iOS。顶部堆栈显示了对WeNet中生产管道的典型研究
-
-![img](./Doc/images/wenet2.PNG)
-## 环境配置
-### Docker（方法一）
-拉取镜像：
-```
-docker pull image.sourcefind.cn:5000/dcu/admin/base/custom:ort1.14.0_migraphx3.0.0-dtk22.10.1
-docker run xxx
-```
-创建并启动容器，安装相关依赖：
-```
-docker run --shm-size 16g --network=host --name=wenet_ort --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/wenet_onnxruntime:/home/wenet_onnxruntime -it <Your Image ID> /bin/bash
-# 激活dtk
-source /opt/dtk/env.sh
-```
-### Dockerfile（方法二）
-此处提供dockerfile的使用方法
-```
-docker build --no-cache -t wenet_onnxruntime:2.0 .
-
-docker run --shm-size 16g --network=host --name=wenet_ort --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/wenet_onnxruntime:/home/wenet_onnxruntime -it <Your Image ID> /bin/bash
-```
-
-## 数据集
-`此处填写公开数据集名称`
-
-## 推理
-### C++版本推理
-本次采用经wenet模型完成问题语音识别任务，下面介绍如何运行C++代码示例，C++示例的详细说明见Doc目录下的Tutorial_Cpp.md。
-
-#### 构建工程
-```
-export LD_LIBRARY_PATH=$PWD/openfst-1.7.6/src/lib:$LD_LIBRARY_PATH
-mkdir build && cd build
-cmake ..
-make install
-```
-#### 设置环境变量
-```
-cd <path-to-wenet_onnxruntime>
-export GLOG_logtostderr=1
-export GLOG_v=2
-wav_path=./Resource/BAC009S0764W0344.wav
-onnx_dir=./Resource/models
-units=./Resource/units.txt
-```
-#### 运行示例
-```
-# 进入wenet onnxruntime工程根目录
-cd <path_to_wenet_onnxruntime> 
-
-# 执行示例程序
-./build/Src/bin/decoder_main --onnx_dir $onnx_dir  --wav_path $wav_path  --unit_path $units 2>&1 | tee log.txt
-
-```
-## result
-```
-test Final result: 脚踝和小腿的能力变弱
-Decoded 3091ms audio taken 466ms.
-Total: decoded 3091ms audio taken 466ms.
-RTF: 0.1508
-```
-
-### 精度
-无
-## 应用场景
-### 算法类别
-`语音识别`
-### 热点应用行业
-`制造`,`金融`,`交通`,`教育`
-
-## 源码仓库及问题反馈
-- https://developer.hpccube.com/codes/modelzoo/wenet-ort
-## 参考资料
-- https://github.com/wenet-e2e/wenet
-- https://wenet.org.cn/wenet/
-
-
+# WeNet-Ort
+## 论文
+`WeNet: Production Oriented Streaming and Non-streaming End-to-End
+Speech Recognition Toolkit`
+- https://arxiv.org/pdf/2102.01547.pdf
+## 模型结构
+WeNet是一种hybird连接主义时间分类（CTC）/注意力架构，以transformer或conformer作为编码器和注意力解码器来重新存储CTC假设。为了在统一的模型中实现流和非流，以及使用了一种基于动态块的注意力策略，该策略允许自注意力以随机长度集中在正确的上下文上。
+
+![img](./Doc/images/wenet1.PNG)
+## 算法原理
+底层堆栈完全基于PyTorch及其生态系统。中间的堆栈由两部分组成。开发研究模型时，TorchScript用于开发模型，Torchaudio用于动态特征提取，分布式数据并行（DDP）用于分布式训练，torch实时（JIT）用于模型导出，PyTorch量化用于模型量化，LibTorch用于生产运行时。LibTorch产品用于托管生产模型，旨在支持各种硬件和平台，如CPU、GPU（CUDA）Linux、Android和iOS。顶部堆栈显示了对WeNet中生产管道的典型研究
+
+![img](./Doc/images/wenet2.PNG)
+## 环境配置
+### Docker（方法一）
+拉取镜像：
+```
+docker pull image.sourcefind.cn:5000/dcu/admin/base/custom:ort1.14.0_migraphx3.0.0-dtk22.10.1
+docker run xxx
+```
+创建并启动容器，安装相关依赖：
+```
+docker run --shm-size 16g --network=host --name=wenet_ort --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/wenet_onnxruntime:/home/wenet_onnxruntime -it <Your Image ID> /bin/bash
+# 激活dtk
+source /opt/dtk/env.sh
+```
+### Dockerfile（方法二）
+此处提供dockerfile的使用方法
+```
+docker build --no-cache -t wenet_onnxruntime:2.0 .
+
+docker run --shm-size 16g --network=host --name=wenet_ort --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/wenet_onnxruntime:/home/wenet_onnxruntime -it <Your Image ID> /bin/bash
+```
+
+## 数据集
+`此处填写公开数据集名称`
+
+## 推理
+### C++版本推理
+本次采用经wenet模型完成问题语音识别任务，首先需要下载模型至Resouce/Models/，链接：https://pan.baidu.com/s/1aUt6LRcspYLAmmWu0fFTdQ 
+提取码：sodg，下面介绍如何运行C++代码示例，C++示例的详细说明见Doc目录下的Tutorial_Cpp.md。
+
+#### 构建工程
+```
+export LD_LIBRARY_PATH=$PWD/openfst-1.7.6/src/lib:$LD_LIBRARY_PATH
+mkdir build && cd build
+cmake ..
+make install
+```
+#### 设置环境变量
+```
+cd <path-to-wenet_onnxruntime>
+export GLOG_logtostderr=1
+export GLOG_v=2
+wav_path=./Resource/BAC009S0764W0344.wav
+onnx_dir=./Resource/models
+units=./Resource/units.txt
+```
+#### 运行示例
+```
+# 进入wenet onnxruntime工程根目录
+cd <path_to_wenet_onnxruntime> 
+
+# 执行示例程序
+./build/Src/bin/decoder_main --onnx_dir $onnx_dir  --wav_path $wav_path  --unit_path $units 2>&1 | tee log.txt
+
+```
+## result
+```
+test Final result: 脚踝和小腿的能力变弱
+Decoded 3091ms audio taken 466ms.
+Total: decoded 3091ms audio taken 466ms.
+RTF: 0.1508
+```
+
+### 精度
+无
+## 应用场景
+### 算法类别
+`语音识别`
+### 热点应用行业
+`制造`,`金融`,`交通`,`教育`
+
+## 源码仓库及问题反馈
+- https://developer.hpccube.com/codes/modelzoo/wenet-onnxruntime
+## 参考资料
+- https://github.com/wenet-e2e/wenet
+- https://wenet.org.cn/wenet/
+
+