modify

docs/zh_CN/models/ImageNet1k/DLA.md

@@ -53,7 +53,7 @@ DLA(Deep Layer Aggregation)。 视觉识别需要丰富的表示形式，其范
 #### 1.3.1 基于 V100 GPU 的预测速度
 
 | Models     | Size  | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
-| -------- | --------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
+| -------- | --------- | ----------------- | ------------------------------ | ------------------------------ |
 | DLA102   | 224       | 4.15                           | 6.81                           | 11.60                          |
 | DLA102x2 | 224       | 6.40                          | 16.08                          | 33.51                          |
 | DLA102x  | 224       | 4.68                          | 16.44                          | 20.98                          |

docs/zh_CN/models/ImageNet1k/DenseNet.md

@@ -63,7 +63,7 @@ DenseNet 是 2017 年 CVPR best paper 提出的一种新的网络结构，该网
 #### 1.3.1 基于 V100 GPU 的预测速度
 
 | Models                               | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
-|-------------|-----------|-------------------|-------------------|-------------------|-------------------|
+|-------------|-----------|-------------------|-------------------|-------------------|
 | DenseNet121 | 224       | 3.22               | 6.25               | 8.20               |
 | DenseNet161 | 224       | 6.83               | 13.39              | 18.34              |
 | DenseNet169 | 224       | 4.81               | 9.53              | 11.94              |

docs/zh_CN/models/ImageNet1k/HRNet.md

@@ -65,7 +65,7 @@ HRNet 是 2019 年由微软亚洲研究院提出的一种全新的神经网络
 #### 1.3.1 基于 V100 GPU 的预测速度
 
 | Models      | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
-|-------------|-----------|-------------------|-------------------|-------------------|-------------------|
+|-------------|-----------|-------------------|-------------------|-------------------|
 | HRNet_W18_C | 224       | 6.33               | 8.12               | 10.91              |
 | HRNet_W18_C_ssld | 224  | 6.33               | 8.12               | 10.91              |
 | HRNet_W30_C | 224       | 8.34               | 10.65              | 13.95              |

docs/zh_CN/models/ImageNet1k/NextViT.md

@@ -57,7 +57,7 @@ NextViT 是一种新的视觉 Transformer 网络，可以用作计算机视觉
 #### 1.3.1 基于 V100 GPU 的预测速度
 
 | Models     | Size  | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
-| -------- | --------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
+| -------- | --------- | ----------------- | ------------------------------ | ------------------------------ |
 | NextViT_small_224  | 224       | 7.76                           | 10.86                           | 14.20                        |
 | NextViT_base_224 | 224       | 12.02                          | 16.21                          | 20.63                          |
 | NextViT_large_224  | 224       | 16.51                          | 21.91                          | 27.25                          |

docs/zh_CN/models/ImageNet1k/PVTV2.md

@@ -49,7 +49,7 @@ PVTV2 是 VisionTransformer 系列模型，该模型基于 PVT（Pyramid Vision
 #### 1.3.1 基于 V100 GPU 的预测速度
 
 | Models     | Size  | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
-| -------- | --------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
+| -------- | --------- | ----------------- | ------------------------------ | ------------------------------ |
 | PVT_V2_B0   | 224       | 2.87                           | 3.46                           | -                          |
 | PVT_V2_B1 | 224       | 3.32                          | 5.48                          | -                          |
 | PVT_V2_B2  | 224       | 5.94                          | 9.98                          | -                          |

docs/zh_CN/models/ImageNet1k/PeleeNet.md

@@ -44,10 +44,10 @@ PeleeNet 系列模型是基于 DenseNet 网络所提出的稠密链接的思想
 #### 1.3.1 基于 V100 GPU 的预测速度
 
 | Models     | Size  | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
-| -------- | --------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
+| -------- | --------- | ----------------- | ------------------------------ | ------------------------------ |
 | PeleeNet   | 224       | 1.26                           | 2.10                           | 2.47                          |
 
-**备注：** 精度类型为 FP32，推理过程使用 TensorRT。
+**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
 
 <a name="2"></a>  
 

docs/zh_CN/models/ImageNet1k/RepVGG.md

@@ -56,7 +56,7 @@ RepVGG(Making VGG-style ConvNets Great Again)系列模型是由清华大学(丁
 #### 1.3.1 基于 V100 GPU 的预测速度
 
 | Models     | Size  | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
-| -------- | --------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
+| -------- | --------- | ----------------- | ------------------------------ | ------------------------------ |
 | RepVGG_A0   | 224       | 1.38                           | 1.85                           | 2.81                          |
 | RepVGG_A1 | 224       | 1.68                          | 2.33                          | 3.70                          |
 | RepVGG_A2  | 224       | 2.31                          | 4.46                          | 6.53                          |

docs/zh_CN/models/ImageNet1k/UniFormer.md

@@ -47,7 +47,7 @@ UniFormer 是一种新的视觉 Transformer 网络，可以用作计算机视觉
 #### 1.3.1 基于 V100 GPU 的预测速度
 
 | Models     | Size  | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
-| -------- | --------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
+| -------- | --------- | ----------------- | ------------------------------ | ------------------------------ |
 | UniFormer_small   | 224       | 3.68                           | 5.93                           | 9.64                          |
 | UniFormer_small_plus | 224       | 4.12                          | 7.03                          | 11.59                          |
 | UniFormer_small_plus_dim64  | 224       | 3.91                          | 6.56                          | 10.69                          |

docs/zh_CN/models/ImageNet1k/VAN.md

@@ -46,7 +46,7 @@ VAN（Visual Attention Network）系列模型是在 2022 年提出的 CNN 架构
 #### 1.3.1 基于 V100 GPU 的预测速度
 
 | Models      | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
-|-------------|-----------|-------------------|-------------------|-------------------|-------------------|
+|-------------|-----------|-------------------|-------------------|-------------------|
 | VAN-B0 | 224       | 9.58               | 10.21               | 10.78              |
 | VAN-B1 | 224       | 8.24               | 8.74               | 9.85              |
 | VAN-B2 | 224       | 17.09               | 18.48              | 19.32              |

docs/zh_CN/models/ImageNet1k/ViT.md

@@ -51,7 +51,7 @@ ViT（Vision Transformer）系列模型是 Google 在 2020 年提出的，该模
 #### 1.3.1 基于 V100 GPU 的预测速度
 
 | Models      | Size | Latency(ms)<br>bs=1 | Latency(ms)<br>bs=4 | Latency(ms)<br>bs=8 |
-| -------------------------- | --------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
+| -------------------------- | --------- | ----------------- | ------------------------------ | ------------------------------ |
 | ViT_small_<br/>patch16_224 | 224               | 3.81                           | 8.65                           | 15.80                          |
 | ViT_base_<br/>patch16_224  | 224               | 5.93                           | 15.46                          | 27.14                          |
 | ViT_base_<br/>patch16_384  | 384               | 13.78                          | 45.59                          | 88.65                          |