add tables

docs/zh_CN/models/DPN_DenseNet.md

@@ -2,9 +2,16 @@
 
 ## 概述
 正在持续更新中......
-![](../../images/models/DPN.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/DPN.png.flops.png)
+
+![](../../images/models/DPN.png.params.png)
+
+![](../../images/models/DPN.png.fp32.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。
 
 ## 精度、FLOPS和参数量
 

docs/zh_CN/models/EfficientNet_and_ResNeXt101_wsl.md

@@ -2,26 +2,14 @@
 
 ## 概述
 正在持续更新中......
-![](../../images/models/EfficientNet.png)
 
-在预测时，图像的crop_size和resize_short_size如下表所示。
+该系列模型的FLOPS、参数量以及fp32预测耗时如下图所示。
 
-| Models                    | crop_size | resize_short_size |
-|:--:|:--:|:--:|
-| ResNeXt101_32x8d_wsl      | 224       | 224               |
-| ResNeXt101_32x16d_wsl     | 224       | 224               |
-| ResNeXt101_32x32d_wsl     | 224       | 224               |
-| ResNeXt101_32x48d_wsl     | 224       | 224               |
-| Fix_ResNeXt101_32x48d_wsl | 320       | 320               |
-| EfficientNetB0            | 224       | 256               |
-| EfficientNetB1            | 240       | 272               |
-| EfficientNetB2            | 260       | 292               |
-| EfficientNetB3            | 300       | 332               |
-| EfficientNetB4            | 380       | 412               |
-| EfficientNetB5            | 456       | 488               |
-| EfficientNetB6            | 528       | 560               |
-| EfficientNetB7            | 600       | 632               |
-| EfficientNetB0_small      | 224       | 256               |
+![](../../images/models/EfficientNet.png.flops.png)
+
+![](../../images/models/EfficientNet.png.params.png)
+
+![](../../images/models/EfficientNet.png.fp32.png)
 
 
 ## 精度、FLOPS和参数量

docs/zh_CN/models/HRNet.md

@@ -21,11 +21,11 @@
 
 ## FP32预测速度
 
-| Models                          | Crop Size | Resize Short Size | Batch Size=1<br>(ms) |
+| Models      | Crop Size | Resize Short Size | Batch Size=1<br>(ms) |
 |-------------|-----------|-------------------|--------------------------|
 | HRNet_W18_C | 224       | 256               | 7.368                    |
-| HRNet_W30_C | 224       | 256               | 9.495                    |
-| HRNet_W32_C | 224       | 256               | 9.292                    |
+| HRNet_W30_C | 224       | 256               | 9.402                    |
+| HRNet_W32_C | 224       | 256               | 9.467                    |
 | HRNet_W40_C | 224       | 256               | 10.739                   |
 | HRNet_W44_C | 224       | 256               | 11.497                   |
 | HRNet_W48_C | 224       | 256               | 12.165                   |

docs/zh_CN/models/ResNet_and_vd.md

@@ -9,7 +9,16 @@ ResNet系列模型是在2015年提出的，一举在ILSVRC2015比赛中取得冠
 本次发布ResNet系列的模型包括ResNet50，ResNet50_vd，ResNet50_vd_ssld，ResNet200_vd等14个预训练模型。在训练层面上，ResNet的模型采用了训练ImageNet的标准训练流程，而其余改进版模型采用了更多的训练策略，如learning rate的下降方式采用了cosine decay，引入了label smoothing的标签正则方式，在数据预处理加入了mixup的操作，迭代总轮数从120个epoch增加到200个epoch。
 
 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。
-![](../../images/models/ResNet.png)
+
+
+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)
+
+![](../../images/models/ResNet.png.params.png)
+
+![](../../images/models/ResNet.png.fp32.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。
 
 **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。

docs/zh_CN/models/SEResNext_and_Res2Net.md

@@ -6,9 +6,18 @@ ResNeXt是ResNet的典型变种网络之一，ResNeXt发表于2017年的CVPR会
 SENet是2017年ImageNet分类比赛的冠军方案，其提出了一个全新的SE结构，该结构可以迁移到任何其他网络中，其通过控制scale的大小，把每个通道间重要的特征增强，不重要的特征减弱，从而让提取的特征指向性更强。
 
 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。
-![](../../images/models/SeResNeXt.png)
+
+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)
+
+![](../../images/models/SeResNeXt.png.params.png)
+
+![](../../images/models/SeResNeXt.png.fp32.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。
 
+
 **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。