update resnet50

README_resnet50.md

@@ -91,28 +91,46 @@ mlcr run-mlperf,inference,_full,_r5.1 --model=resnet50 --implementation=referenc
 
 ## 4. 执行推理测试
 
-进入视觉任务目录，使用本地脚本启动基于 GPU (DCU) 的推理：
+你可以通过以下两种方式之一来运行，确保脚本能找到文件：
+
+**方式 A：先 Export（推荐，不容易出错）**
 
 ```bash
-cd vision/classification_and_detection
+export MODEL_DIR=/workspace/inference/vision/classification_and_detection/models/
+export DATA_DIR=/workspace/inference/vision/classification_and_detection/data
 ./run_local.sh tf resnet50 gpu
 
 ```
 
-## 5. 结果分析
+**方式 B：在命令行前直接定义**
+
+```bash
+MODEL_DIR==/path/to/model.pb DATA_DIR=/path/to/data ./run_local.sh tf resnet50 gpu
+
+```
+
+---
+
+### 四个场景要求的命令汇总
 
-测试完成后，系统会在 `output` 目录下生成日志文件。
+不同场景的正确命令如下：
 
-| 指标 | 含义 |
+| 测试目标 | 命令（前提是已 export 变量） |
 | --- | --- |
-| **QPS** | 每秒处理的图片数量，数值越高越好。 |
-| **Mean Latency** | 平均延迟，数值越低越好。 |
-| **99th Percentile** | 99% 的请求都在此延迟内完成，反映系统稳定性。 |
+| **最大吞吐量** | `./run_local.sh tf resnet50 gpu --scenario Offline` |
+| **最低延迟** | `./run_local.sh tf resnet50 gpu --scenario SingleStream` |
+| **最大并发流** | `./run_local.sh tf resnet50 gpu --scenario MultiStream` |
+| **P99 20ms 吞吐量** | `./run_local.sh tf resnet50 gpu --scenario Server --user_conf user.conf` |
 
 ---
 
-### 注意事项
 
-* **路径配置**：如果 `run_local.sh` 提示找不到模型或数据集，请检查 `/workspace/inference/vision/classification_and_detection/python/main.py` 中的默认路径参数是否与您的下载路径一致。
-* **DCU 监控**：在测试执行期间，可以开启另一个终端使用 `rocm-smi` 命令监控显存使用和计算核心占用。
+## 5. 如何验证四个场景的“合格性”？
+
+检查 `output/` 目录下生成的 `mlperf_log_summary.txt`：
+
+* **Offline**: 寻找 `Samples per second`。
+* **SingleStream**: 寻找 `Mean latency`。
+* **MultiStream**: 寻找 `Samples per query`。
+* **Server**: 确保 `Result is : VALID`，这代表你的 P99 延迟满足了 20ms（前提是你已按前文建议在 `user.conf` 中设置了 `target_latency = 20`）。