batch ad figs

docs/zh_CN/models/HRNet.md

@@ -2,8 +2,14 @@
 
 ## 概述
 正在持续更新中......
-![](../../images/models/HRNet.png)
-所有模型在预测时，图像的crop_size设置为224，resize_short_size设置为256。
+
+该系列模型的FLOPS、参数量以及fp32预测耗时如下图所示。
+
+![](../../images/models/HRNet.png.flops.png)
+
+![](../../images/models/HRNet.png.params.png)
+
+![](../../images/models/HRNet.png.fp32.png)
 
 
 ## 精度、FLOPS和参数量

docs/zh_CN/models/Inception.md

@@ -2,8 +2,14 @@
 
 ## 概述
 正在持续更新中......
-![](../../images/models/Inception.png)
-GoogLeNet在预测时，图像的crop_size设置为224，resize_short_size设置为256，其余模型在预测时，图像的crop_size设置为299，resize_short_size设置为320。
+
+该系列模型的FLOPS、参数量以及fp32预测耗时如下图所示。
+
+![](../../images/models/Inception.png.flops.png)
+
+![](../../images/models/Inception.png.params.png)
+
+![](../../images/models/Inception.png.fp32.png)
 
 
 ## 精度、FLOPS和参数量

docs/zh_CN/models/Mobile.md

@@ -10,11 +10,10 @@ ShuffleNet系列网络是旷视提出的轻量化网络结构，到目前为止
 MobileNetV3是Google于2019年提出的一种基于NAS的新的轻量级网络，为了进一步提升效果，将relu和sigmoid激活函数分别替换为hard_swish与hard_sigmoid激活函数，同时引入了一些专门减小网络计算量的改进策略。
 ![](../../images/models/mobile_arm_top1.png)
 ![](../../images/models/mobile_arm_storage.png)
-![](../../images/models/mobile_trt.png)
+![](../../images/models/mobile_trt.png.flops.png)
+![](../../images/models/mobile_trt.png.params.png)
 目前PaddleClas开源的的移动端系列的预训练模型一共有32个，其指标如图所示。从图片可以看出，越新的轻量级模型往往有更优的表现，MobileNetV3代表了目前最新的轻量级神经网络结构。在MobileNetV3中，作者为了获得更高的精度，在global-avg-pooling后使用了1x1的卷积。该操作大幅提升了参数量但对计算量影响不大，所以如果从存储角度评价模型的优异程度，MobileNetV3优势不是很大，但由于其更小的计算量，使得其有更快的推理速度。此外，我们模型库中的ssld蒸馏模型表现优异，从各个考量角度下，都刷新了当前轻量级模型的精度。由于MobileNetV3模型结构复杂，分支较多，对GPU并不友好，GPU预测速度不如MobileNetV1。
 
-**注意**：所有模型在预测时，图像的crop_size设置为224，resize_short_size设置为256。
-
 
 ## 精度、FLOPS和参数量
 

docs/zh_CN/models/Others.md

@@ -3,8 +3,6 @@
 ## 概述
 正在持续更新中......
 
-DarkNet53在预测时，图像的crop_size设置为256，resize_short_size设置为256；其余模型在预测时，图像的crop_size设置为224，resize_short_size设置为256。
-
 
 ## 精度、FLOPS和参数量