add model doc

docs/zh_CN/models/DPN_DenseNet.md

 # DPN与DenseNet系列
 
 ## 概述
-正在持续更新中......
+DenseNet是2017年CVPR best paper提出的一种新的网络结构，该网络设计了一种新的跨层连接的block，即dense-block。相比ResNet中的bottleneck，dense-block设计了一个更激进的密集连接机制，即互相连接所有的层，每个层都会接受其前面所有层作为其额外的输入。DenseNet将所有的dense-block堆叠，组合成了一个密集连接型网络。由于密集连接方式，DenseNet提升了梯度的反向传播，使得网络更容易训练。
+DPN的全称是Dual Path Networks，即双通道网络。该网络是由DenseNet和ResNeXt结合的一个网络，其证明了DenseNet能从靠前的层级中提取到新的特征，而ResNeXt本质上是对之前层级中已提取特征的复用。作者进一步分析发现，ResNeXt对特征有高复用率，但冗余度低，DenseNet能创造新特征，但冗余度高。结合二者结构的优势，作者设计了DPN网络。最终DPN网络在同样Params和Flops下，取得了比ResNeXt与DenseNet更好的结果。
 
 该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。
 
@@ -11,6 +12,9 @@
 
 ![](../../images/models/DPN.png.fp32.png)
 
+目前paddleclas开源的这两类模型的预训练模型一共有10个，其指标如图所示，可以看到，在Flops和Params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。
+DPN系列网络的曲线图中规中矩，模型的参数量和计算量越大，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。
+
 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/HRNet.md

 # HRNet系列
 
 ## 概述
-正在持续更新中......
+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，该网络全程都可以保持高分辨率，在网络深层无需恢复高分辨率特征，所以高分辨率的特征也不会丢失。在网络不同的阶段，都可以融合不同scale的特征，从而可以获得丰富的高分辨率表征。因此，预测的关键点热图可能更准确，在空间上也更精确。该网络可同时应用于分类、检测、分割、关键点等任务中。由于其全程保持高分辨率，所以在检测、分割、关键点任务中，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。
 
@@ -10,6 +10,7 @@
 ![](../../images/models/HRNet.png.params.png)
 
 ![](../../images/models/HRNet.png.fp32.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，除了HRNet_W48_C,其他模型的精度指标均符合预期。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。
 
 
 ## 精度、FLOPS和参数量

docs/zh_CN/models/Inception.md

 # Inception系列
 
 ## 概述
-正在持续更新中......
+GoogleNet是2014年由Google设计的一种新的神经网络结构，其与VGG网络并列成为当年ImageNet挑战赛的双雄。GoogleNet设计了一种新的Inception结构，在网络中堆叠该结构使得网络层数达到了22层，这也是卷积网络首次超过20层的标志。由于在Inception结构中使用了1x1的卷积用于通道数降维，并且使用了Global-pooling代替传统的多fc层加工特征的方式，最终的GoogleNet网络的参数量和计算量远小于VGG网络，成为当时神经网络设计的一道亮丽风景线。
+
+Xception 是 Google 继 Inception 后提出的对 Inception-v3 的另一种改进。在Xception中，作者使用了深度可分离卷积代替了传统的卷积操作，该操作大大节省了网络的参数量和计算量。最终相比InceptionV3，Xception的Flops大幅下降，精度反而有所提升。在DeeplabV3+中，作者将Xception做了进一步的改进，同时增加了Xception的层数，设计出了Xception65和Xception71的网络。
+
+InceptionV4是2016年由Google设计的新的神经网络，作者认为Inception 结构可以用很低的计算成本达到很高的性能。而在传统的网络架构中引入残差结构效果也非常好。所以研究者将 Inception 结构和残差结构结合起来做了广泛的实验。最终，研究者通过实验明确地证实了，结合残差连接可以显著加速 Inception 的训练。也有一些证据表明残差 Inception 网络在相近的成本下略微超过没有残差连接的 Inception 网络。最终作者设计出的InceptionV4网络是包含了多个不同Inception块的模型，其在ImageNet上创造了新的精度。
 
 该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。
 
@@ -11,6 +15,8 @@
 
 ![](../../images/models/Inception.png.fp32.png)
 
+上图反映了Xception系列和InceptionV4的精度和其他指标的关系，除了参数量外，InceptionV4模型依然比较有竞争力。在v100,FP16的情形下，InceptionV4的推理速度更具有优势。
+
 
 ## 精度、FLOPS和参数量
 

docs/zh_CN/models/Others.md

 # 其他模型
 
 ## 概述
-正在持续更新中......
+2012年，Alex等人提出的AlexNet网络在ImageNet大赛上以远超第二名的成绩夺冠，卷积神经网络乃至深度学习引起了广泛的关注。AlexNet使用relu作为CNN的激活函数，解决了sigmoid在网络较深时的梯度弥散问题。训练时使用Dropout随机丢掉一部分神经元，避免了模型过拟合。网络中使用重叠的最大池化代替了此前CNN中普遍使用的平均池化，使用最大池化可以避免平均池化的模糊效果，同时重叠效果提升了特征的丰富性。从某种意义上说，AlexNet引爆了神经网络的研究与应用热潮。
+
+SqueezeNet在ImageNet-1k上实现了与AlexNet相同精度，但只用了1/50的参数量。该网络的核心是Fire模块，Fire模块通过使用1x1的卷积实现通道降维，从而大大节省了参数量。作者通过大量堆叠Fire模块组成了SqueezeNet。
+
+VGG由牛津大学计算机视觉组和DeepMind公司研究员一起研发的卷积神经网络。该网络探索了卷积神经网络的深度和其性能之间的关系，通过反复的堆叠3x3的小型卷积核和2x2的最大池化层，成功的构建了多层卷积神经网络并可以获得不错的收敛精度。最终，VGG获得了ILSVRC 2014比赛分类项目的亚军和定位项目的冠军。到目前为止，VGG依然是提取图像的特征的典型网络之一。
+
+DarkNet53是YOLO-V3的作者设计的用于目标检测的backbone，该网络基本由1*1与3*3卷积构成，共53层，取名为DarkNet53。相比DarkNet19，该网络的精度提升了非常多，并且其比ResNet-101或ResNet-152更高效。
+
 
 
 ## 精度、FLOPS和参数量