add fp16 pngs

docs/zh_CN/models/DPN_DenseNet.md

@@ -12,6 +12,8 @@ DPN的全称是Dual Path Networks，即双通道网络。该网络是由DenseNet
 
 ![](../../images/models/T4_benchmark/t4.fp32.bs4.DPN.png)
 
+![](../../images/models/T4_benchmark/t4.fp16.bs4.DPN.png)
+
 目前PaddleClas开源的这两类模型的预训练模型一共有10个，其指标如上图所示，可以看到，在相同的FLOPS和参数量下，相比DenseNet，DPN拥有更高的精度。但是由于DPN有更多的分支，所以其推理速度要慢于DenseNet。由于DenseNet264的网络层数最深，所以该网络是DenseNet系列模型中参数量最大的网络，DenseNet161的网络的宽度最大，导致其是该系列中网络中计算量最大、精度最高的网络。从推理速度来看，计算量大且精度高的的DenseNet161比DenseNet264具有更快的速度，所以其比DenseNet264具有更大的优势。
 
 对于DPN系列网络，模型的FLOPS和参数量越大，模型的精度越高。其中，由于DPN107的网络宽度最大，所以其是该系列网络中参数量与计算量最大的网络。

docs/zh_CN/models/EfficientNet_and_ResNeXt101_wsl.md

@@ -6,8 +6,7 @@ EfficientNet是Google于2019年发布的一个基于NAS的轻量级网络，其
 ResNeXt是facebook于2016年提出的一种对ResNet的改进版网络。在2019年，facebook通过弱监督学习研究了该系列网络在ImageNet上的精度上限，为了区别之前的ResNeXt网络，该系列网络的后缀为wsl，其中wsl是弱监督学习（weakly-supervised-learning）的简称。为了能有更强的特征提取能力，研究者将其网络宽度进一步放大，其中最大的ResNeXt101_32x48d_wsl拥有8亿个参数，将其在9.4亿的弱标签图片下训练并在ImageNet-1k上做finetune，最终在ImageNet-1k的top-1达到了85.4%，这也是迄今为止在ImageNet-1k的数据集上以224x224的分辨率下精度最高的网络。Fix-ResNeXt中，作者使用了更大的图像分辨率，针对训练图片和验证图片数据预处理不一致的情况下做了专门的Fix策略，并使得ResNeXt101_32x48d_wsl拥有了更高的精度，由于其用到了Fix策略，故命名为Fix-ResNeXt101_32x48d_wsl。
 
 
-该系列模型的FLOPS、参数量以及T4 GPU
-上的预测耗时如下图所示。
+该系列模型的FLOPS、参数量以及T4 GPU上的预测耗时如下图所示。
 
 ![](../../images/models/T4_benchmark/t4.fp32.bs4.EfficientNet.flops.png)
 
@@ -15,6 +14,8 @@ ResNeXt是facebook于2016年提出的一种对ResNet的改进版网络。在2019
 
 ![](../../images/models/T4_benchmark/t4.fp32.bs1.EfficientNet.png)
 
+![](../../images/models/T4_benchmark/t4.fp16.bs1.EfficientNet.png)
+
 目前PaddleClas开源的这两类模型的预训练模型一共有14个。从上图中可以看出EfficientNet系列网络优势非常明显，ResNeXt101_wsl系列模型由于用到了更多的数据，最终的精度也更高。EfficientNet_B0_Small是去掉了SE_block的EfficientNet_B0，其具有更快的推理速度。
 
 ## 精度、FLOPS和参数量

docs/zh_CN/models/HRNet.md

@@ -3,7 +3,7 @@
 ## 概述
 HRNet是2019年由微软亚洲研究院提出的一种全新的神经网络，不同于以往的卷积神经网络，该网络在网络深层仍然可以保持高分辨率，因此预测的关键点热图更准确，在空间上也更精确。此外，该网络在对分辨率敏感的其他视觉任务中，如检测、分割等，表现尤为优异。
 
-该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。
+该系列模型的FLOPS、参数量以及T4 GPU上的预测耗时如下图所示。
 
 ![](../../images/models/T4_benchmark/t4.fp32.bs4.HRNet.flops.png)
 
@@ -11,6 +11,8 @@ HRNet是2019年由微软亚洲研究院提出的一种全新的神经网络，
 
 ![](../../images/models/T4_benchmark/t4.fp32.bs4.HRNet.png)
 
+![](../../images/models/T4_benchmark/t4.fp16.bs4.HRNet.png)
+
 目前PaddleClas开源的这类模型的预训练模型一共有7个，其指标如图所示，其中HRNet_W48_C指标精度异常的原因可能是因为网络训练的正常波动。
 
 

docs/zh_CN/models/Inception.md

@@ -17,6 +17,8 @@ InceptionV4是2016年由Google设计的新的神经网络，当时残差结构
 
 ![](../../images/models/T4_benchmark/t4.fp32.bs4.Inception.png)
 
+![](../../images/models/T4_benchmark/t4.fp16.bs4.Inception.png)
+
 上图反映了Xception系列和InceptionV4的精度和其他指标的关系。其中Xception_deeplab与论文结构保持一致，Xception是PaddleClas的改进模型，在预测速度基本不变的情况下，精度提升约0.6%。关于该改进模型的详细介绍正在持续更新中，敬请期待。
 
 

docs/zh_CN/models/ResNet_and_vd.md

@@ -18,6 +18,8 @@ ResNet系列模型是在2015年提出的，一举在ILSVRC2015比赛中取得冠
 
 ![](../../images/models/T4_benchmark/t4.fp32.bs4.ResNet.png)
 
+![](../../images/models/T4_benchmark/t4.fp16.bs4.ResNet.png)
+
 
 通过上述曲线可以看出，层数越多，准确率越高，但是相应的参数量、计算量和延时都会增加。ResNet50_vd_ssld通过用更强的teacher和更多的数据，将其在ImageNet-1k上的验证集top-1精度进一步提高，达到了82.39%，刷新了ResNet50系列模型的精度。
 

docs/zh_CN/models/SEResNext_and_Res2Net.md

@@ -7,7 +7,7 @@ SENet是2017年ImageNet分类比赛的冠军方案，其提出了一个全新的
 
 Res2Net是2019年提出的一种全新的对ResNet的改进方案，该方案可以和现有其他优秀模块轻松整合，在不增加计算负载量的情况下，在ImageNet、CIFAR-100等数据集上的测试性能超过了ResNet。Res2Net结构简单，性能优越，进一步探索了CNN在更细粒度级别的多尺度表示能力。Res2Net揭示了一个新的提升模型精度的维度，即scale，其是除了深度、宽度和基数的现有维度之外另外一个必不可少的更有效的因素。该网络在其他视觉任务如目标检测、图像分割等也有相当不错的表现。
 
-该系列模型的FLOPS、参数量以及T4 GPU上的FP32预测耗时如下图所示。
+该系列模型的FLOPS、参数量以及T4 GPU上的预测耗时如下图所示。
 
 
 ![](../../images/models/T4_benchmark/t4.fp32.bs4.SeResNeXt.flops.png)
@@ -16,6 +16,8 @@ Res2Net是2019年提出的一种全新的对ResNet的改进方案，该方案可
 
 ![](../../images/models/T4_benchmark/t4.fp32.bs4.SeResNeXt.png)
 
+![](../../images/models/T4_benchmark/t4.fp16.bs4.SeResNeXt.png)
+
 
 目前PaddleClas开源的这三类的预训练模型一共有24个，其指标如图所示，从图中可以看出，在同样Flops和Params下，改进版的模型往往有更高的精度，但是推理速度往往不如ResNet系列。另一方面，Res2Net表现也较为优秀，相比ResNeXt中的group操作、SEResNet中的SE结构操作，Res2Net在相同Flops、Params和推理速度下往往精度更佳。