update PP-LCNet.md

docs/zh_CN/models/PP-LCNet.md

@@ -72,7 +72,7 @@ SE 模块是 SENet 提出的一种通道注意力机制，可以有效提升模
 
 
 | SE Location       | Top-1 Acc(\%) | Latency(ms) |
-|-------------------|---------------|-------------|
+|:--:|:--:|:--:|
 | 1100000000000     | 61.73           | 2.06         |
 | 0000001100000     | 62.17           | 2.03         |
 | <b>0000000000011<b>     | <b>63.14<b>           | <b>2.05<b>         |
@@ -88,7 +88,7 @@ SE 模块是 SENet 提出的一种通道注意力机制，可以有效提升模
 在 MixNet 的论文中，作者分析了卷积核大小对模型性能的影响，结论是在一定范围内大的卷积核可以提升模型的性能，但是超过这个范围会有损模型的性能，所以作者组合了一种 split-concat 范式的 MixConv，这种组合虽然可以提升模型的性能，但是不利于推理。我们通过实验总结了一些更大的卷积核在不同位置的作用，类似 SE 模块的位置，更大的卷积核在网络的中后部作用更明显，下表展示了 5x5 卷积核的位置对精度的影响：
 
 | large-kernel Location       | Top-1 Acc(\%) | Latency(ms) |
-|-------------------|---------------|-------------|
+|:--:|:--:|:--:|
 | 1111111111111     | 63.22           | 2.08         |
 | 1111111000000     | 62.70           | 2.07        |
 | <b>0000001111111<b>     | <b>63.14<b>           | <b>2.05<b>         |
@@ -104,7 +104,7 @@ SE 模块是 SENet 提出的一种通道注意力机制，可以有效提升模
 BaseNet 经过以上四个方面的改进，得到了 PP-LCNet。下表进一步说明了每个方案对结果的影响：
 
 | Activation | SE-block | Large-kernel | last-1x1-conv | Top-1 Acc(\%) | Latency(ms) |
-|------------|----------|--------------|---------------|---------------|-------------|
+|:--:|:--:|:--:|:--:|:--:|:--:|
 | 0       | 1       | 1               | 1                | 61.93 | 1.94 |
 | 1       | 0       | 1               | 1                | 62.51 | 1.87 |
 | 1       | 1       | 0               | 1                | 62.44 | 2.01 |
@@ -122,7 +122,7 @@ BaseNet 经过以上四个方面的改进，得到了 PP-LCNet。下表进一步
 图像分类我们选用了 ImageNet 数据集，相比目前主流的轻量级网络，PP-LCNet 在相同精度下可以获得更快的推理速度。当使用百度自研的 SSLD 蒸馏策略后，精度进一步提升，在 Intel cpu 端约 5ms 的推理速度下 ImageNet 的 Top-1 Acc 超过了 80%。
 
 | Model | Params(M) | FLOPs(M) | Top-1 Acc(\%) | Top-5 Acc(\%) | Latency(ms) | 预训练模型下载地址 | inference模型下载地址 |
-|-------|-----------|----------|---------------|---------------|-------------|---------------|-------------| 
+|:--:|:--:|:--:|:--:|:--:|:--:|:--:|:--:| 
 | PPLCNet_x0_25  | 1.5 | 18  | 51.86 | 75.65 | 1.74 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x0_25_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x0_25_infer.tar) |
 | PPLCNet_x0_35  | 1.6 | 29  | 58.09 | 80.83 | 1.92 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x0_35_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x0_35_infer.tar) |
 | PPLCNet_x0_5   | 1.9 | 47  | 63.14 | 84.66 | 2.05 | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/PPLCNet_x0_5_pretrained.pdparams) | [下载链接](https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x0_5_infer.tar) |
@@ -140,7 +140,7 @@ BaseNet 经过以上四个方面的改进，得到了 PP-LCNet。下表进一步
 与其他轻量级网络的性能对比：
 
 | Model | Params(M) | FLOPs(M) | Top-1 Acc(\%) | Top-5 Acc(\%) | Latency(ms) |
-|-------|-----------|----------|---------------|---------------|-------------|
+|:--:|:--:|:--:|:--:|:--:|:--:|
 | MobileNetV2_x0_25  | 1.5 | 34  | 53.21 | 76.52 | 2.47 |
 | MobileNetV3_small_x0_35  | 1.7 | 15  | 53.03 | 76.37 | 3.02 |
 | ShuffleNetV2_x0_33  | 0.6 | 24  | 53.73 | 77.05 | 4.30 |
@@ -161,7 +161,7 @@ BaseNet 经过以上四个方面的改进，得到了 PP-LCNet。下表进一步
 目标检测的方法我们选用了百度自研的 PicoDet，该方法主打轻量级目标检测场景，下表展示了在 COCO 数据集上、backbone 选用 PP-LCNet 与 MobileNetV3 的结果的比较，无论在精度还是速度上，PP-LCNet 的优势都非常明显。
 
 | Backbone | mAP(%) | Latency(ms) |
-|-------|-----------|----------|
+|:--:|:--:|:--:|
 MobileNetV3_large_x0_35 | 19.2 | 8.1 |
 <b>PPLCNet_x0_5<b> | <b>20.3<b> | <b>6.0<b> |
 MobileNetV3_large_x0_75 | 25.8 | 11.1 |
@@ -174,7 +174,7 @@ MobileNetV3_large_x0_75 | 25.8 | 11.1 |
 语义分割的方法我们选用了 DeeplabV3+，下表展示了在 Cityscapes 数据集上、backbone 选用 PP-LCNet 与 MobileNetV3 的比较，在精度和速度方面，PP-LCNet 的优势同样明显。
 
 | Backbone | mIoU(%) | Latency(ms) |
-|-------|-----------|----------|
+|:--:|:--:|:--:|
 MobileNetV3_large_x0_5 | 55.42 | 135 |
 <b>PPLCNet_x0_5<b> | <b>58.36<b> | <b>82<b> |
 MobileNetV3_large_x0_75 | 64.53 | 151 |
@@ -189,7 +189,7 @@ MobileNetV3_large_x0_75 | 64.53 | 151 |
 #### 1.4.1 基于Intel Xeon Gold 6148 的预测速度    
 
 | Model | Intel Xeon Gold 6148 time(ms)<br/>bs=1, thread=10 |
-|-------|-------------|
+|:--:|:--:|
 | PPLCNet_x0_25  | 1.74 |
 | PPLCNet_x0_35  | 1.92 |
 | PPLCNet_x0_5   | 2.05 |
@@ -206,7 +206,7 @@ MobileNetV3_large_x0_75 | 64.53 | 151 |
 #### 1.4.2 基于 V100 GPU 的预测速度
 
 | Models        | FP32<br>Batch Size=1<br>(ms) | FP32<br/>Batch Size=1\4<br/>(ms) | FP32<br/>Batch Size=8<br/>(ms) |
-| ------------- | ---------------------------- | -------------------------------- | ------------------------------ |
+| :--: | :--:| :--: | :--: |
 | PPLCNet_x0_25 | 0.72                         | 1.17                             | 1.71                           |
 | PPLCNet_x0_35 | 0.69                         | 1.21                             | 1.82                           |
 | PPLCNet_x0_5  | 0.70                         | 1.32                             | 1.94                           |
@@ -222,7 +222,7 @@ MobileNetV3_large_x0_75 | 64.53 | 151 |
 #### 1.4.3 基于 SD855 的预测速度
 
 | Models        | SD855 time(ms)<br>bs=1, thread=1 | SD855 time(ms)<br/>bs=1, thread=2 | SD855 time(ms)<br/>bs=1, thread=4 |
-| ------------- | -------------------------------- | --------------------------------- | --------------------------------- |
+| :--: | :--: | :--: | :--: |
 | PPLCNet_x0_25 | 2.30                             | 1.62                              | 1.32                              |
 | PPLCNet_x0_35 | 3.15                             | 2.11                              | 1.64                              |
 | PPLCNet_x0_5  | 4.27                             | 2.73                              | 1.92                              |