skip max pool2d in resnet34 test=release/1.6 (#3618)

PaddleCV/PaddleDetection/slim/distillation/README.md

@@ -128,6 +128,8 @@ python ../infer.py \
 
 ## 示例结果
 
+>当前release的结果并非超参调优后的最好结果，仅做示例参考，后续我们会优化当前结果。
+
 ### MobileNetV1-YOLO-V3
 
 | FLOPS |Box AP|

PaddleCV/PaddleDetection/slim/prune/README.md

@@ -209,6 +209,8 @@ python ../infer.py \
 
 ## 示例结果
 
+> 当前release的结果并非超参调优后的最好结果，仅做示例参考，后续我们会优化当前结果。
+
 ### MobileNetV1-YOLO-V3
 
 | FLOPS |Box AP| model_size |Paddle Fluid inference time(ms)| Paddle Lite inference time(ms)|

PaddleCV/PaddleDetection/slim/quantization/README.md

@@ -224,6 +224,8 @@ FP32模型可使用PaddleLite进行加载预测，可参见教程[Paddle-Lite如
 
 ## 示例结果
 
+>当前release的结果并非超参调优后的最好结果，仅做示例参考，后续我们会优化当前结果。
+
 ### MobileNetV1
 
 | weight量化方式 | activation量化方式| Box ap |Paddle Fluid inference time(ms)| Paddle Lite inference time(ms)|

PaddleSlim/classification/distillation/README.md

@@ -151,6 +151,8 @@ python infer.py \
 
 ## 示例结果
 
+> 当前release的结果并非超参调优后的最好结果，仅做示例参考，后续我们会优化当前结果。
+
 ### MobileNetV1
 
 | FLOPS    | top1_acc/top5_acc |

PaddleSlim/classification/models/resnet.py

@@ -51,12 +51,13 @@ class ResNet():
             stride=2,
             act='relu',
             name=prefix_name + conv1_name)
-        conv = fluid.layers.pool2d(
-            input=conv,
-            pool_size=3,
-            pool_stride=2,
-            pool_padding=1,
-            pool_type='max')
+        with fluid.name_scope("skip_quant"):
+            conv = fluid.layers.pool2d(
+                input=conv,
+                pool_size=3,
+                pool_stride=2,
+                pool_padding=1,
+                pool_type='max')
 
         if layers >= 50:
             for block in range(len(depth)):

PaddleSlim/classification/pruning/README.md

@@ -140,6 +140,8 @@ python infer.py \
 
 ## 示例结果
 
+>当前release的结果并非超参调优后的最好结果，仅做示例参考，后续我们会优化当前结果。
+
 ### MobileNetV1
 
 | FLOPS |top1_acc/top5_acc| model_size |Paddle Fluid inference time(ms)| Paddle Lite inference time(ms)|

PaddleSlim/classification/quantization/README.md

@@ -162,6 +162,8 @@ FP32模型可使用Paddle-Lite进行加载预测，可参见教程[Paddle-Lite
 
 ## 示例结果
 
+>当前release的结果并非超参调优后的最好结果，仅做示例参考，后续我们会优化当前结果。
+
 ### MobileNetV1
 
 | weight量化方式 | activation量化方式| top1_acc/top5_acc |Paddle Fluid inference time(ms)| Paddle Lite inference time(ms)| 模型下载|