Merge pull request #22 from littletomatodonkey/rm_fp32

fix typo

docs/zh_CN/models/DPN_DenseNet.md

@@ -3,7 +3,7 @@
 ## 概述
 正在持续更新中......
 
-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FP32预测耗时如下图所示。
 
 ![](../../images/models/DPN.png.flops.png)
 

docs/zh_CN/models/EfficientNet_and_ResNeXt101_wsl.md

@@ -3,7 +3,7 @@
 ## 概述
 正在持续更新中......
 
-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FP32预测耗时如下图所示。
 
 ![](../../images/models/EfficientNet.png.flops.png)
 

docs/zh_CN/models/HRNet.md

@@ -3,7 +3,7 @@
 ## 概述
 正在持续更新中......
 
-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FP32预测耗时如下图所示。
 
 ![](../../images/models/HRNet.png.flops.png)
 

docs/zh_CN/models/Inception.md

@@ -3,7 +3,7 @@
 ## 概述
 正在持续更新中......
 
-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FP32预测耗时如下图所示。
 
 ![](../../images/models/Inception.png.flops.png)
 

docs/zh_CN/models/Mobile.md

@@ -53,44 +53,6 @@ MobileNetV3是Google于2019年提出的一种基于NAS的新的轻量级网络
 | ShuffleNetV2_swish                   | 0.700   | 0.892   |                   |                   | 0.290        | 2.260             |
 
 
-
-## FP32预测速度
-
-| Models                               | Crop Size | Resize Short Size | Batch Size=1<br>(ms) |
-|--------------------------------------|-----------|-------------------|--------------------------|
-| MobileNetV1_x0_25                    | 224       | 256               | 0.492                    |
-| MobileNetV1_x0_5                     | 224       | 256               | 0.599                    |
-| MobileNetV1_x0_75                    | 224       | 256               | 0.695                    |
-| MobileNetV1                          | 224       | 256               | 0.739                    |
-| MobileNetV1_ssld                     | 224       | 256               | 0.739                    |
-| MobileNetV2_x0_25                    | 224       | 256               | 1.014                    |
-| MobileNetV2_x0_5                     | 224       | 256               | 1.216                    |
-| MobileNetV2_x0_75                    | 224       | 256               | 1.392                    |
-| MobileNetV2                          | 224       | 256               | 1.153                    |
-| MobileNetV2_x1_5                     | 224       | 256               | 1.516                    |
-| MobileNetV2_x2_0                     | 224       | 256               | 1.819                    |
-| MobileNetV2_ssld                     | 224       | 256               | 1.153                    |
-| MobileNetV3_large_<br>x1_25          | 224       | 256               | 3.070                    |
-| MobileNetV3_large_<br>x1_0           | 224       | 256               | 3.173                    |
-| MobileNetV3_large_<br>x0_75          | 224       | 256               | 2.928                    |
-| MobileNetV3_large_<br>x0_5           | 224       | 256               | 2.979                    |
-| MobileNetV3_large_<br>x0_35          | 224       | 256               | 2.987                    |
-| MobileNetV3_small_<br>x1_25          | 224       | 256               | 3.003                    |
-| MobileNetV3_small_<br>x1_0           | 224       | 256               | 3.168                    |
-| MobileNetV3_small_<br>x0_75          | 224       | 256               | 2.974                    |
-| MobileNetV3_small_<br>x0_5           | 224       | 256               | 2.199                    |
-| MobileNetV3_small_<br>x0_35          | 224       | 256               | 2.240                    |
-| MobileNetV3_large_<br>x1_0_ssld      | 224       | 256               | 3.173                    |
-| MobileNetV3_small_<br>x1_0_ssld      | 224       | 256               | 3.168                    |
-| ShuffleNetV2                         | 224       | 256               | 1.861                    |
-| ShuffleNetV2_x0_25                   | 224       | 256               | 1.410                    |
-| ShuffleNetV2_x0_33                   | 224       | 256               | 1.271                    |
-| ShuffleNetV2_x0_5                    | 224       | 256               | 1.389                    |
-| ShuffleNetV2_x1_5                    | 224       | 256               | 1.239                    |
-| ShuffleNetV2_x2_0                    | 224       | 256               | 2.152                    |
-| ShuffleNetV2_swish                   | 224       | 256               | 2.150                    |
-
-
 ## CPU预测速度和存储大小
 
 | Models                               | batch_size=1(ms) | Storage Size(M) |

docs/zh_CN/models/ResNet_and_vd.md

@@ -11,7 +11,7 @@ ResNet系列模型是在2015年提出的，一举在ILSVRC2015比赛中取得冠
 其中，ResNet50_vd_v2与ResNet50_vd_ssld采用了知识蒸馏，保证模型结构不变的情况下，进一步提升了模型的精度，具体地，ResNet50_vd_v2的teacher模型是ResNet152_vd（top1准确率80.59%），数据选用的是ImageNet-1k的训练集，ResNet50_vd_ssld的teacher模型是ResNeXt101_32x16d_wsl（top1准确率84.2%），数据选用结合了ImageNet-1k的训练集和ImageNet-22k挖掘的400万数据。知识蒸馏的具体方法正在持续更新中。
 
 
-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FP32预测耗时如下图所示。
 
 ![](../../images/models/ResNet.png.flops.png)
 

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fp32预测耗时如下图所示。
+该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。
 
 ![](../../images/models/SeResNeXt.png.flops.png)