From 783a87f30a2f1dc6ef228482965cb869edaecc6b Mon Sep 17 00:00:00 2001
From: hymhym4321 <huuiiymmgg@163.com>
Date: Wed, 17 Jan 2024 07:00:39 +0800
Subject: [PATCH] =?UTF-8?q?=E6=8E=A8=E7=90=86=E7=8E=AF=E5=A2=83=E4=B8=8E?=
 =?UTF-8?q?=E5=85=AC=E7=BD=91=E5=9C=B0=E5=9D=80=E6=95=B4=E6=94=B9=EF=BC=88?=
 =?UTF-8?q?2=EF=BC=89?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 .../contrib/cv/face/FaceBoxes/README.md       | 31 +++++-----------
 ACL_PyTorch/contrib/cv/face/FaceNet/README.md | 26 +++-----------
 .../contrib/cv/face/ReId-MGN-master/README.md | 18 +++++-----
 .../contrib/cv/face/Retinaface/README.md      | 19 ----------
 .../cv/face/reid_PCB_baseline/Readme.md       | 26 --------------
 ACL_PyTorch/contrib/cv/gan/BigGAN/README.md   | 27 +++-----------
 .../cv/gan/BigGAN/public_address_statement.md |  4 +++
 ACL_PyTorch/contrib/cv/gan/CGAN/README.md     | 27 +++-----------
 .../cv/gan/CGAN/public_address_statement.md   |  4 +++
 ACL_PyTorch/contrib/cv/gan/CycleGAN/README.md | 26 +++-----------
 .../gan/CycleGAN/public_address_statement.md  |  5 +++
 ACL_PyTorch/contrib/cv/gan/DCGAN/README.md    | 19 +---------
 ACL_PyTorch/contrib/cv/gan/GAN/README.md      | 26 +++-----------
 ACL_PyTorch/contrib/cv/gan/Pix2Pix/README.md  | 28 +++------------
 .../gan/Pix2Pix/public_address_statement.md   | 23 ++++++++++++
 .../contrib/cv/gan/Pix2pixHD/README.md        | 20 -----------
 ACL_PyTorch/contrib/cv/gan/StarGAN/README.md  | 22 ------------
 .../contrib/cv/gan/StyleGAN2-ADA/README.md    | 23 +-----------
 .../Cross-Scale-Non-Local-Attention/README.md | 16 ---------
 .../contrib/cv/image_process/DnCNN/READEME.md | 32 +++--------------
 .../contrib/cv/image_process/SRFlow/README.md | 32 ++++++-----------
 .../SRFlow/public_address_statement.md        |  3 ++
 .../contrib/cv/image_process/wdsr/README.md   | 16 ---------
 .../image_registration/superpoint/README.md   | 30 ++++------------
 .../contrib/cv/image_retrieval/BLIP/readme.md | 35 ++++---------------
 .../pose_estimation/3DMPPE-ROOTNET/README.md  | 30 ++++------------
 .../contrib/cv/pose_estimation/DEKR/README.md | 19 ----------
 .../cv/pose_estimation/HRNet/README.md        | 26 +++-----------
 .../cv/pose_estimation/HigherHRNet/README.md  | 16 ---------
 .../contrib/cv/pose_estimation/MSPN/README.md | 21 -----------
 .../cv/pose_estimation/PoseC3D/README.md      | 30 ++++------------
 .../cv/pose_estimation/TransPose/README.md    | 27 +++-----------
 .../TransPose/public_address_statement.md     |  9 +++++
 .../cv/pose_estimation/UniFormer/readme.md    | 33 ++++-------------
 .../cv/pose_estimation/VideoPose3D/README.md  | 22 +++---------
 .../cv/quality_enhancement/ADNet/README.md    | 18 ----------
 .../cv/quality_enhancement/SRGAN/README.md    | 21 -----------
 .../cv/segmentation/3D_HRNet/README.md        | 16 ---------
 38 files changed, 157 insertions(+), 669 deletions(-)
 create mode 100644 ACL_PyTorch/contrib/cv/gan/BigGAN/public_address_statement.md
 create mode 100644 ACL_PyTorch/contrib/cv/gan/CGAN/public_address_statement.md
 create mode 100644 ACL_PyTorch/contrib/cv/gan/CycleGAN/public_address_statement.md
 create mode 100644 ACL_PyTorch/contrib/cv/gan/Pix2Pix/public_address_statement.md
 create mode 100644 ACL_PyTorch/contrib/cv/image_process/SRFlow/public_address_statement.md
 create mode 100644 ACL_PyTorch/contrib/cv/pose_estimation/TransPose/public_address_statement.md

diff --git a/ACL_PyTorch/contrib/cv/face/FaceBoxes/README.md b/ACL_PyTorch/contrib/cv/face/FaceBoxes/README.md
index c674f17620..c9216f8d6b 100644
--- a/ACL_PyTorch/contrib/cv/face/FaceBoxes/README.md
+++ b/ACL_PyTorch/contrib/cv/face/FaceBoxes/README.md
@@ -3,7 +3,6 @@
 
 - [概述](#ZH-CN_TOPIC_0000001172161501)
   - [输入输出数据](#section540883920406)
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
   - [获取源码](#section4622531142816)
   - [准备数据集](#section183221994411)
@@ -43,20 +42,6 @@ FaceBoxes的新型人脸检测器，它在速度和准确性方面都有卓越
   | -------- | ---------------- | -------- | ------------ |
   | output1  | batchsize x 1024 | FLOAT32  | ND           |
 
-
-
-# 推理环境准备<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动
-
-  **表 1**  版本配套表
-
-  | 配套       | 版本                               | 环境准备指导                                                 |
-  | ---------- | ---------------------------------- | ------------------------------------------------------------ |
-  | 固件与驱动 | 1.0.16（NPU驱动固件版本为5.1.RC2） | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-  | CANN                                                         | 5.1.RC2 | - 
-  | Python                                                        | 3.7.5| - 
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
@@ -85,7 +70,7 @@ FaceBoxes的新型人脸检测器，它在速度和准确性方面都有卓越
 3. 安装依赖。
 
    ```
-   pip install -r requirements.txt
+   pip3 install -r requirements.txt
    ```
 
 4. 切换到主目录。
@@ -116,7 +101,7 @@ FaceBoxes的新型人脸检测器，它在速度和准确性方面都有卓越
    执行faceboxes_pth_preprocess.py脚本，完成预处理。
 
    ```
-   python faceboxes_pth_preprocess.py --dataset datasets/FDDB --save-folder prep
+   python3 faceboxes_pth_preprocess.py --dataset datasets/FDDB --save-folder prep
    ```
 
    - 参数说明：
@@ -140,7 +125,7 @@ FaceBoxes的新型人脸检测器，它在速度和准确性方面都有卓越
       运行 faceboxes_pth2onnx.py 脚本。
 
       ```
-      python faceboxes_pth2onnx.py  --trained_model FaceBoxesProd.pth --save_folder faceboxes-b0.onnx 
+      python3 faceboxes_pth2onnx.py  --trained_model FaceBoxesProd.pth --save_folder faceboxes-b0.onnx 
       ```
 
       - 参数说明：
@@ -209,7 +194,7 @@ FaceBoxes的新型人脸检测器，它在速度和准确性方面都有卓越
    3. 执行推理。
 
       ```
-      python -m ais_bench --model faceboxes-b0_bs1.om --input prep/ --output result --output_dir dumpout_bs1 --batchsize 1
+      python3 -m ais_bench --model faceboxes-b0_bs1.om --input prep/ --output result --output_dir dumpout_bs1 --batchsize 1
       ```
       -   参数说明：
 
@@ -236,7 +221,7 @@ FaceBoxes的新型人脸检测器，它在速度和准确性方面都有卓越
       2. 运行后处理脚本faceboxes_pth_postprocess.py。
 
          ```
-         python faceboxes_pth_postprocess.py --save_folder FDDB_Evaluation/ --prep_info prep/ --prep_folder result/dumpout_bs1/
+         python3 faceboxes_pth_postprocess.py --save_folder FDDB_Evaluation/ --prep_info prep/ --prep_folder result/dumpout_bs1/
          ```
 
          - 参数说明：
@@ -250,8 +235,8 @@ FaceBoxes的新型人脸检测器，它在速度和准确性方面都有卓越
 
          ```
          cd FDDB_Evaluation
-         python setup.py install
-         python evaluate.py -g ./ground_truth
+         python3 setup.py install
+         python3 evaluate.py -g ./ground_truth
          ```
 
          - 参数说明：
@@ -264,7 +249,7 @@ FaceBoxes的新型人脸检测器，它在速度和准确性方面都有卓越
       可使用ais_bench推理工具的纯推理模式验证不同batch_size的om模型的性能，参考命令如下：
 
          ```
-         python -m ais_bench --model=${om_model_path} --loop=20 --batchsize=${batch_size}
+         python3 -m ais_bench --model=${om_model_path} --loop=20 --batchsize=${batch_size}
          ```
 		 - 参数说明：
            - --model：om模型的路径。
diff --git a/ACL_PyTorch/contrib/cv/face/FaceNet/README.md b/ACL_PyTorch/contrib/cv/face/FaceNet/README.md
index 35948a36cd..478a0d7304 100644
--- a/ACL_PyTorch/contrib/cv/face/FaceNet/README.md
+++ b/ACL_PyTorch/contrib/cv/face/FaceNet/README.md
@@ -4,8 +4,6 @@
 
     - [输入输出数据](#section540883920406)
 
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -70,20 +68,6 @@
   | -------- | --------          | -------- | ------------ |
   | class    | batchsize x class | FLOAT32  | ND           |
 
-# 推理环境准备\[所有版本\]<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动
-
-  **表 1**  版本配套表
-
-| 配套                                                            | 版本    | 环境准备指导                                                                                          |
-| ------------------------------------------------------------    | ------- | ------------------------------------------------------------                                          |
-| 固件与驱动                                                      | 1.0.17  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-| CANN                                                            | 6.0.RC1 | -                                                                                                     |
-| Python                                                          | 3.7.5   | -                                                                                                     |
-| PyTorch                                                         | 1.5.0+ | -                                                                                                     |
-| 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                                                                     |
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
@@ -185,11 +169,11 @@
      2. 优化onnx。
 
         ```
-        python utils/fix_prelu.py ./weights/PNet_truncated.onnx ./weights/PNet_truncated_fix.onnx
-        python utils/fix_prelu.py ./weights/RNet_truncated.onnx ./weights/RNet_truncated_fix.onnx
-        python utils/fix_prelu.py ./weights/ONet_truncated.onnx ./weights/ONet_truncated_fix.onnx
-        python utils/fix_prelu.py ./weights/Inception_facenet_vggface2.onnx ./weights/Inception_facenet_vggface2_fix.onnx 
-        python utils/fix_clip.py ./weights/Inception_facenet_vggface2_fix.onnx ./weights/Inception_facenet_vggface2_fix.onnx
+        python3 utils/fix_prelu.py ./weights/PNet_truncated.onnx ./weights/PNet_truncated_fix.onnx
+        python3 utils/fix_prelu.py ./weights/RNet_truncated.onnx ./weights/RNet_truncated_fix.onnx
+        python3 utils/fix_prelu.py ./weights/ONet_truncated.onnx ./weights/ONet_truncated_fix.onnx
+        python3 utils/fix_prelu.py ./weights/Inception_facenet_vggface2.onnx ./weights/Inception_facenet_vggface2_fix.onnx 
+        python3 utils/fix_clip.py ./weights/Inception_facenet_vggface2_fix.onnx ./weights/Inception_facenet_vggface2_fix.onnx
         ```
 
         - 参数说明：第一个参数为原始onnx，第二个参数为优化后的onnx。
diff --git a/ACL_PyTorch/contrib/cv/face/ReId-MGN-master/README.md b/ACL_PyTorch/contrib/cv/face/ReId-MGN-master/README.md
index e639127ce9..6a47301e26 100644
--- a/ACL_PyTorch/contrib/cv/face/ReId-MGN-master/README.md
+++ b/ACL_PyTorch/contrib/cv/face/ReId-MGN-master/README.md
@@ -44,8 +44,6 @@
 
 ### 2.1 深度学习框架
 ```
-CANN 5.1.RC1
-python == 3.7.5
 pytorch >= 1.8.1
 torchvision >= 0.8.1
 onnx >= 1.9.0
@@ -62,8 +60,8 @@ scikit-learn == 0.24.1
 h5py == 3.3.0
 ```
 **说明：** 
->   X86架构：pytorch，torchvision和onnx可以通过官方下载whl包安装，其它可以通过pip3.7 install 包名 安装
->   Arm架构：pytorch，torchvision和onnx可以通过源码编译安装，其它可以通过pip3.7 install 包名 安装
+>   X86架构：pytorch，torchvision和onnx可以通过官方下载whl包安装，其它可以通过pip3 install 包名 安装
+>   Arm架构：pytorch，torchvision和onnx可以通过源码编译安装，其它可以通过pip3 install 包名 安装
 
 ## 3 模型转换
 
@@ -93,7 +91,7 @@ patch -R MGN/data.py < module.patch
 4.执行pth2onnx脚本，生成onnx模型文件
 ```
 #将model.pt模型转为market1501.onnx模型，注意，生成onnx模型名(第二个参数)和batch size(第三个参数)根据实际大小设置.
-python3.7 ./pth2onnx.py ./model/model.pt ./model/model_mkt1501_bs1.onnx 1        
+python3 ./pth2onnx.py ./model/model.pt ./model/model_mkt1501_bs1.onnx 1        
 ```
 
  **模型转换要点：**  
@@ -136,11 +134,11 @@ python3  ./postprocess_MGN.py --mode save_bin  --data_path ./data/market1501
 
 2.执行生成数据集信息脚本，生成数据集信息文件
 ```
-python ./preprocess_MGN.py bin ./data/market1501/bin_data/q/ ./q_bin.info 384 128
-python ./preprocess_MGN.py bin ./data/market1501/bin_data/g/ ./g_bin.info 384 128
+python3 ./preprocess_MGN.py bin ./data/market1501/bin_data/q/ ./q_bin.info 384 128
+python3 ./preprocess_MGN.py bin ./data/market1501/bin_data/g/ ./g_bin.info 384 128
 
-python ./preprocess_MGN.py bin ./data/market1501/bin_data_flip/q/ ./q_bin_flip.info 384 128
-python ./preprocess_MGN.py bin ./data/market1501/bin_data_flip/g/ ./g_bin_flip.info 384 128
+python3 ./preprocess_MGN.py bin ./data/market1501/bin_data_flip/q/ ./q_bin_flip.info 384 128
+python3 ./preprocess_MGN.py bin ./data/market1501/bin_data_flip/g/ ./g_bin_flip.info 384 128
 ```
 第一个参数为模型输入的类型，第二个参数为生成的bin文件路径，第三个为输出的info文件，后面为宽高信息  
 ## 5 离线推理
@@ -179,7 +177,7 @@ source /usr/local/Ascend/ascend-toolkit/set_env.sh
 
 调用postprocess_MGN.py脚本的“evaluate_om”模式推理结果与语义分割真值进行比对，可以获得mAP精度数据。
 ```
-python3.7 ./postprocess_MGN.py  --mode evaluate_om --data_path ./data/market1501/ 
+python3 ./postprocess_MGN.py  --mode evaluate_om --data_path ./data/market1501/ 
 ```
 第一个参数为main函数运行模式，第二个为原始数据目录，第三个为模型所在目录。  
 查看输出结果：
diff --git a/ACL_PyTorch/contrib/cv/face/Retinaface/README.md b/ACL_PyTorch/contrib/cv/face/Retinaface/README.md
index 1231279423..f79483d243 100644
--- a/ACL_PyTorch/contrib/cv/face/Retinaface/README.md
+++ b/ACL_PyTorch/contrib/cv/face/Retinaface/README.md
@@ -4,8 +4,6 @@
 
     - [输入输出数据](#section540883920406)
 
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -44,23 +42,6 @@ Retinaface模型是2019年提出的人脸检测模型，使用deformable convolu
   | output1 | FLOAT32 | batchsize x 41236 x 2  | ND         |
   | output2 | FLOAT32 | batchsize x 41236 x 10 | ND         |
 
-
-# 推理环境准备<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动 
-
-  **表 1**  版本配套表
-
-  | 配套                                                         | 版本      | 环境准备指导                                                 |
-  |---------| ------- | ------------------------------------------------------------ |
-  | 固件与驱动                                                   | 22.0.2  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-  | CANN                                                         | 5.1.RC2 | -                                                            |
-  | Python                                                       | 3.7.5   | -                                                            |
-  | PyTorch                                                      | 1.8.0   | -                                                            |
-  | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                            |
-
-
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
diff --git a/ACL_PyTorch/contrib/cv/face/reid_PCB_baseline/Readme.md b/ACL_PyTorch/contrib/cv/face/reid_PCB_baseline/Readme.md
index 9de899f951..02d19457dc 100644
--- a/ACL_PyTorch/contrib/cv/face/reid_PCB_baseline/Readme.md
+++ b/ACL_PyTorch/contrib/cv/face/reid_PCB_baseline/Readme.md
@@ -35,32 +35,6 @@ commit_id=e29cf54486427d1423277d4c793e39ac0eeff87c
     | -------- | -------------------------| -------- | ------------ |
     | output_1 | batchsize x 2048 x 6 x 1 | FLOAT32  | ND           |
 
-
-### 推理环境准备
-
-- 该模型需要以下插件与驱动
-
-  | 配套                                                         | 版本                                                         | 环境准备指导                                                 |
-  | ------------------------------------------------------------ | ------------------------------------------------------------ | ------------------------------------------------------------ |
-  | 固件与驱动                                                   | [1.0.15](https://www.hiascend.com/hardware/firmware-drivers?tag=commercial) | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-  | CANN                                                         | [5.1.RC1](https://www.hiascend.com/software/cann/commercial?version=5.1.RC1) |                                                              |
-  | PyTorch                                                      | [1.5.1](https://github.com/pytorch/pytorch/tree/v1.5.1)      |                                                              |
-  | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 |                                                              |                                                              |
-
-- 该模型需要以下依赖。
-
-  | 依赖名称      | 版本     |
-  | ------------- | -------- |
-  | onnx          | >=1.9.0  |
-  | torch         | >=1.13.0 |
-  | torchVision   | >=0.14.0 |
-  | numpy         | >=1.19.2 |
-  | Pillow        | >=8.2.0  |
-  | opencv-python | >=4.5.2  |
-  | skl2onnx      | >= 1.8.0 |
-  | h5py          | >=3.3.0  |
-  | scikit-learn  | >=0.24.1 |
-
 ## 快速上手
 
 ### 获取源码
diff --git a/ACL_PyTorch/contrib/cv/gan/BigGAN/README.md b/ACL_PyTorch/contrib/cv/gan/BigGAN/README.md
index 2baa1faea9..77810b70df 100644
--- a/ACL_PyTorch/contrib/cv/gan/BigGAN/README.md
+++ b/ACL_PyTorch/contrib/cv/gan/BigGAN/README.md
@@ -4,10 +4,6 @@
 - [概述](#ZH-CN_TOPIC_0000001172161501)
 - [输入输出数据](#section540883920406)
 
-
-
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -58,23 +54,6 @@ BigGAN是用于图像生成的大规模生成对抗网络。相较于先前的
   | -------- | -------- | --------------------- | ------------ |
   | image    | FLOAT32  | batchsize x3x 128x128 | NCHW         |
 
-
-# 推理环境准备<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动   
-
-  **表 1**  版本配套表
-
-  | 配套                                                         | 版本   | 环境准备指导                                                 |
-  | ------------------------------------------------------------ | ------ | ------------------------------------------------------------ |
-  | 固件与驱动                                                   | 22.0.4 | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-  | CANN                                                         | 6.0.1  | -                                                            |
-  | Python                                                       | 3.7.5  | -                                                            |
-  | PyTorch                                                      | 1.6.0  | -                                                            |
-  | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \      | \                                                            |
-
-
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
@@ -290,4 +269,8 @@ BigGAN是用于图像生成的大规模生成对抗网络。相较于先前的
 | 310P3 | 8 | 463.0535 |
 | 310P3 | 16 | 524.359 |
 | 310P3 | 32 | 542.7187 |
-| 310P3 | 64 | 489.6636 |
\ No newline at end of file
+| 310P3 | 64 | 489.6636 |
+
+
+# 公网地址说明
+代码涉及公网地址参考 public_address_statement.md
\ No newline at end of file
diff --git a/ACL_PyTorch/contrib/cv/gan/BigGAN/public_address_statement.md b/ACL_PyTorch/contrib/cv/gan/BigGAN/public_address_statement.md
new file mode 100644
index 0000000000..f0cb079e6a
--- /dev/null
+++ b/ACL_PyTorch/contrib/cv/gan/BigGAN/public_address_statement.md
@@ -0,0 +1,4 @@
+| 类型 | 开源代码地址 | 文件名 | 公网IP地址/公网URL地址/域名/邮箱地址 | 用途说明 |
+| ---- | ------------ | ------ | ------------------------------------ | -------- |
+|开源代码引入|https://github.com/ajbrock/BigGAN-PyTorch.git |biggan.patch |https://github.com/msubhransu/matrix-sqrt  |说明源码出处|
+|开源代码引入|https://github.com/ajbrock/BigGAN-PyTorch.git |biggan.patch |https://github.com/bioinf-jku/TTUR  |说明源码出处|
\ No newline at end of file
diff --git a/ACL_PyTorch/contrib/cv/gan/CGAN/README.md b/ACL_PyTorch/contrib/cv/gan/CGAN/README.md
index 98597ae1a8..6fc64745f6 100644
--- a/ACL_PyTorch/contrib/cv/gan/CGAN/README.md
+++ b/ACL_PyTorch/contrib/cv/gan/CGAN/README.md
@@ -5,10 +5,6 @@
 
     - [输入输出数据](#section540883920406)
 
-
-
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -47,23 +43,6 @@ CGAN(条件生成对抗网络,Conditional Generative Adversarial Nets）是生
   | -------- | -------- | -------- | ------------ |
   | output1  | FLOAT32  | 100 x 3 x 28 x 28 | NCHW         |
 
-
-# 推理环境准备<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动  
-
-  **表 1**  版本配套表
-
-  | 配套                                                         | 版本    | 环境准备指导                                                 |
-  | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-  | 固件与驱动                                                   | 22.0.3  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-  | CANN                                                         | 6.0.RC1 | -                                                            |
-  | Python                                                       | 3.7.5   | -                                                            |
-  | PyTorch                                                      | 1.5.0   | -                                                            |
-  | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                            |
-
-
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
@@ -230,4 +209,8 @@ CGAN(条件生成对抗网络,Conditional Generative Adversarial Nets）是生
 
 | 芯片型号 | Batch Size   | 数据集 | 精度 | 性能 |
 | --------- | ---------------- | ---------- | ---------- | --------------- |
-|  Ascend310 | 1                 | 随机生成数据           | 图片视觉评价           | 1935.7336 fps                |
\ No newline at end of file
+|  Ascend310 | 1                 | 随机生成数据           | 图片视觉评价           | 1935.7336 fps                |
+
+
+# 公网地址说明
+代码涉及公网地址参考 public_address_statement.md
\ No newline at end of file
diff --git a/ACL_PyTorch/contrib/cv/gan/CGAN/public_address_statement.md b/ACL_PyTorch/contrib/cv/gan/CGAN/public_address_statement.md
new file mode 100644
index 0000000000..5ccda16766
--- /dev/null
+++ b/ACL_PyTorch/contrib/cv/gan/CGAN/public_address_statement.md
@@ -0,0 +1,4 @@
+| 类型 | 开源代码地址 | 文件名 | 公网IP地址/公网URL地址/域名/邮箱地址 | 用途说明 |
+| ---- | ------------ | ------ | ------------------------------------ | -------- |
+|开源代码引入|https://github.com/znxlwm/pytorch-generative-model-collections |CGAN.py |https://arxiv.org/abs/1606.03657 |论文地址|
+|开源代码引入|https://github.com/znxlwm/pytorch-generative-model-collections |CGAN.py |https://arxiv.org/abs/1606.03657 |论文地址|
\ No newline at end of file
diff --git a/ACL_PyTorch/contrib/cv/gan/CycleGAN/README.md b/ACL_PyTorch/contrib/cv/gan/CycleGAN/README.md
index aff4eb0a8f..9f29e4a8c9 100644
--- a/ACL_PyTorch/contrib/cv/gan/CycleGAN/README.md
+++ b/ACL_PyTorch/contrib/cv/gan/CycleGAN/README.md
@@ -5,10 +5,6 @@
 
     - [输入输出数据](#section540883920406)
 
-
-
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -56,22 +52,6 @@ CycleGAN是基于对抗生成的图像风格转换卷积神经网络，该网络
   | output  | FLOAT32  | batchsize x 3 x 256x 256 | NCHW        |
 
 
-
-
-# 推理环境准备<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动
-
-  **表 1**  版本配套表
-
-   | 配套                                                         | 版本    | 环境准备指导                                                 |
-   | :------------------------------------------------------------: | :-------: | :------------------------------------------------------------: |
-   | 固件与驱动                                                   | 1.0.16  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-   | CANN                                                         | 5.1.RC2 | -                                                            |
-   | Python                                                       | 3.7.5   |  \                                                            |
-   | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                            |
-
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
@@ -296,4 +276,8 @@ CycleGAN是基于对抗生成的图像风格转换卷积神经网络，该网络
    |    Ascend310P       |    8    |     maps     |     0.999077       |   206.62         |
    |    Ascend310P       |    16    |     maps    |     0.999077       |   218.42         |
    |    Ascend310P       |    32    |     maps    |     0.999077       |   226.60         |
-   |    Ascend310P       |    64    |     maps    |     0.999077       |   232.37         |
\ No newline at end of file
+   |    Ascend310P       |    64    |     maps    |     0.999077       |   232.37         |
+
+
+# 公网地址说明
+代码涉及公网地址参考 public_address_statement.md
\ No newline at end of file
diff --git a/ACL_PyTorch/contrib/cv/gan/CycleGAN/public_address_statement.md b/ACL_PyTorch/contrib/cv/gan/CycleGAN/public_address_statement.md
new file mode 100644
index 0000000000..72e956cf35
--- /dev/null
+++ b/ACL_PyTorch/contrib/cv/gan/CycleGAN/public_address_statement.md
@@ -0,0 +1,5 @@
+| 类型 | 开源代码地址 | 文件名 | 公网IP地址/公网URL地址/域名/邮箱地址 | 用途说明 |
+| ---- | ------------ | ------ | ------------------------------------ | -------- |
+|开源代码引入|https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix |CycleGAN.patch |https://pytorch.org/docs/stable/optim.html |说明源码出处|
+|开源代码引入|https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix |CycleGAN.patch |WGAN-GP paper https://arxiv.org/abs/1704.00028 |论文地址|
+|开源代码引入|https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix |CycleGAN.patch |https://github.com/jcjohnson/fast-neural-style |说明源码出处|
\ No newline at end of file
diff --git a/ACL_PyTorch/contrib/cv/gan/DCGAN/README.md b/ACL_PyTorch/contrib/cv/gan/DCGAN/README.md
index 3775a80e66..f7fd732c25 100644
--- a/ACL_PyTorch/contrib/cv/gan/DCGAN/README.md
+++ b/ACL_PyTorch/contrib/cv/gan/DCGAN/README.md
@@ -3,8 +3,6 @@
 
 - [概述](#ZH-CN_TOPIC_0000001172161501)
 
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -54,21 +52,6 @@ DCGAN是生成对抗网络GAN中一种常见的模型结构。其中的生成器
   | ------- | -------- | ----------------------- | ----------- |
   | output | GREY_FP16 | batchsize x 1 x 28 x 28 | NCHW        |
 
-
-# 推理环境准备\[所有版本\]<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动
-
-  **表 1**  版本配套表
-
-| 配套                                                         | 版本    | 环境准备指导                                                 |
-| ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-| 固件与驱动                                                   | 1.0.15  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-| CANN                                                         | 5.1.RC2 | -                                                            |
-| Python                                                       | 3.7.5   | -                                                            |
-| PyTorch                                                      | 1.5.0   | -                                                            |
-| 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                            |
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
@@ -151,7 +134,7 @@ DCGAN是生成对抗网络GAN中一种常见的模型结构。其中的生成器
 
       2. 使用onnx-simplifier工具简化原始onnx文件。
           ```shell
-          python3.7 -m onnxsim --input-shape=1,100,1,1 dcgan.onnx dcgan_sim_bs{batch_size}.onnx
+          python3 -m onnxsim --input-shape=1,100,1,1 dcgan.onnx dcgan_sim_bs{batch_size}.onnx
           ```
           最终获得`dcgan_sim_bs{batch_size}.onnx`文件。
 
diff --git a/ACL_PyTorch/contrib/cv/gan/GAN/README.md b/ACL_PyTorch/contrib/cv/gan/GAN/README.md
index c62457cc4a..30d1d31e9a 100644
--- a/ACL_PyTorch/contrib/cv/gan/GAN/README.md
+++ b/ACL_PyTorch/contrib/cv/gan/GAN/README.md
@@ -2,8 +2,6 @@
 
 - [概述](#ZH-CN_TOPIC_0000001172161501)
 
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
   
   - [获取源码](#section4622531142816)
@@ -51,20 +49,6 @@
   | ------ | ----------------- | ---- | ------ |
   | output | batchsizex1x28x28 | FP32 | NCHW   |
 
-# 推理环境准备[所有版本]
-
-- 该模型需要以下插件与驱动
-  
-  **表 1** 版本配套表
-
-| 配套                                        | 版本      | 环境准备指导                                                                                        |
-| ----------------------------------------- | ------- | --------------------------------------------------------------------------------------------- |
-| 固件与驱动                                     | 1.0.15  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-| CANN                                      | 5.1.RC2 | -                                                                                             |
-| Python                                    | 3.7.5   | -                                                                                             |
-| PyTorch                                   | 1.5.0   | -                                                                                             |
-| 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                                                             |
-
 # 快速上手
 
 1. 获取源码
@@ -90,7 +74,7 @@
    将原始数据集转换为模型输入的二进制数据。执行GAN_preprocess.py脚本。
    
    ```
-   python3.7 GAN_preprocess.py --online_path=images --offline_path=vectors --pth_path=generator_8p_0.0008_128.pth --iters 100 --batch_size 64
+   python3 GAN_preprocess.py --online_path=images --offline_path=vectors --pth_path=generator_8p_0.0008_128.pth --iters 100 --batch_size 64
    ```
    
    > **说明：** 
@@ -129,7 +113,7 @@
       运行GAN_pth2onnx.py”脚本。
       
       ```
-      python3.7 GAN_pth2onnx.py --input_file=generator_8p_0.0008_128.pth --output_file=GAN.onnx
+      python3 GAN_pth2onnx.py --input_file=generator_8p_0.0008_128.pth --output_file=GAN.onnx
       ```
       
       获得“GAN.onnx”文件。
@@ -210,7 +194,7 @@
    ```
    
    ```
-   python3.7 -m ais_bench --model "GAN_bs1.om" --input ./vectors --output "./result"  --batchsize 1 --loop 100
+   python3 -m ais_bench --model "GAN_bs1.om" --input ./vectors --output "./result"  --batchsize 1 --loop 100
    ```
    
    - 参数说明：
@@ -227,7 +211,7 @@
      调用GAN_postprocess.py来进行后处理,详细的结果输出在genimg文件夹中，可以和images文件夹下的在线推理结果做对比，看谁生成的图片质量更好。
      
      ```
-     python3.7 GAN_postprocess.py --txt_path=./result/2022_11_14-14_02_51 --infer_results_path=genimg
+     python3 GAN_postprocess.py --txt_path=./result/2022_11_14-14_02_51 --infer_results_path=genimg
      ```
      
      **说明：** 
@@ -238,7 +222,7 @@
      ais_infer纯推理验证不同batch_size的om模型的性能，参考命令如下:
      
      ```
-     python3.7 -m ais_bench --model=${om_model_path} --loop=100 --batchsize=${batch_size}
+     python3 -m ais_bench --model=${om_model_path} --loop=100 --batchsize=${batch_size}
      ```
 
 # 模型推理性能&精度
diff --git a/ACL_PyTorch/contrib/cv/gan/Pix2Pix/README.md b/ACL_PyTorch/contrib/cv/gan/Pix2Pix/README.md
index 96490e3228..b69166d4ee 100755
--- a/ACL_PyTorch/contrib/cv/gan/Pix2Pix/README.md
+++ b/ACL_PyTorch/contrib/cv/gan/Pix2Pix/README.md
@@ -5,10 +5,6 @@
 
     - [输入输出数据](#section540883920406)
 
-
-
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -57,29 +53,11 @@ pix2pix是一个图像合成网络，是将GAN应用于有监督的图像到图
   | output  | RGB_FP32  | batchsize x 3 x 256 x 256 | NCHW          |
 
 
-
-
-# 推理环境准备<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动
-
-  **表 1**  版本配套表
-
-  | 配套                                                         | 版本    | 环境准备指导                                                 |
-  | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-  | 固件与驱动                                                   | 1.0.17  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-  | CANN                                                         | 6.0.RC1 | -                                                            |
-  | Python                                                       | 3.7.5   | -                                                            |
-  | PyTorch                                                      | 1.5.0   | [AscendPyTorch环境准备](https://gitee.com/ascend/pytorch)                                                           |
-  | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                            |
-
-
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
 
-1. 获取源码。
+1. 获取源码。
    ```
    git clone https://github.com/OmriKaduri/pytorch-CycleGAN-and-pix2pix.git
    git reset --hard aac572a869b6cfc7486d1d8e2846e5e34e3f0e05
@@ -273,3 +251,7 @@ pix2pix是一个图像合成网络，是将GAN应用于有监督的图像到图
 |  Ascend310P   |   16   |   facades   |  通过观察图片精度达标   |   945.187   |
 |  Ascend310P   |   32   |   facades   |  通过观察图片精度达标   |   963.043   |
 |  Ascend310P   |   64   |   facades   |  通过观察图片精度达标   |   956.723   |
+
+
+# 公网地址说明
+代码涉及公网地址参考 public_address_statement.md
\ No newline at end of file
diff --git a/ACL_PyTorch/contrib/cv/gan/Pix2Pix/public_address_statement.md b/ACL_PyTorch/contrib/cv/gan/Pix2Pix/public_address_statement.md
new file mode 100644
index 0000000000..22b54d9c43
--- /dev/null
+++ b/ACL_PyTorch/contrib/cv/gan/Pix2Pix/public_address_statement.md
@@ -0,0 +1,23 @@
+| 类型 | 开源代码地址 | 文件名 | 公网IP地址/公网URL地址/域名/邮箱地址 | 用途说明 |
+| ---- | ------------ | ------ | ------------------------------------ | -------- |
+|开源代码引入|https://github.com/OmriKaduri/pytorch-CycleGAN-and-pix2pix.git |
+pix2pix.patch |https://github.com/pytorch/vision/blob/master/torchvision/datasets/folder.py |说明源码出处|
+|开源代码引入|https://github.com/OmriKaduri/pytorch-CycleGAN-and-pix2pix.git |
+pix2pix.patch|https://pytorch.org/docs/stable/elastic/run.html |引用环境配置说明|
+|开源代码引入|https://github.com/OmriKaduri/pytorch-CycleGAN-and-pix2pix.git |
+pix2pix.patch|https://pytorch.org/docs/stable/elastic/run.html |引用环境配置说明|
+|开源代码引入|https://github.com/OmriKaduri/pytorch-CycleGAN-and-pix2pix.git |
+pix2pix.patch|https://pytorch.org/docs/stable/elastic/run.html |引用环境配置说明|
+|开源代码引入|https://github.com/OmriKaduri/pytorch-CycleGAN-and-pix2pix.git |
+pix2pix.patch|https://gitee.com/ascend/modelzoo/tree/master/contrib/PyTorch/Official/cv/image_classification |说明源码出处|
+|开源代码引入|https://github.com/OmriKaduri/pytorch-CycleGAN-and-pix2pix.git |
+pix2pix.patch|https://github.com/s9xie/hed/blob/master/examples/hed/HED-tutorial.ipynb |说明源码出处|
+|开源代码引入|https://github.com/OmriKaduri/pytorch-CycleGAN-and-pix2pix.git |
+pix2pix.patch|https://github.com/s9xie/hed |说明源码出处|
+|开源代码引入|https://github.com/OmriKaduri/pytorch-CycleGAN-and-pix2pix.git |
+pix2pix.patch|https://github.com/shelhamer/clockwork-fcn |说明源码出处|
+|开源代码引入|https://github.com/OmriKaduri/pytorch-CycleGAN-and-pix2pix.git |
+pix2pix.patch|https://github.com/shelhamer/clockwork-fcn |说明源码出处|
+|开源代码引入|https://github.com/OmriKaduri/pytorch-CycleGAN-and-pix2pix.git |
+pix2pix.patch|https://pytorch.org/docs/stable/elastic/run.html |引用环境配置说明|
+|开源代码引入|https://github.com/OmriKaduri/pytorch-CycleGAN-and-pix2pix.git |pix2pix_pth2onnx.py|https://pytorch.org/docs/stable/elastic/run.html |引用环境配置说明 |
\ No newline at end of file
diff --git a/ACL_PyTorch/contrib/cv/gan/Pix2pixHD/README.md b/ACL_PyTorch/contrib/cv/gan/Pix2pixHD/README.md
index af24c1db52..ac4d4d9da8 100644
--- a/ACL_PyTorch/contrib/cv/gan/Pix2pixHD/README.md
+++ b/ACL_PyTorch/contrib/cv/gan/Pix2pixHD/README.md
@@ -5,10 +5,6 @@
 
     - [输入输出数据](#section540883920406)
 
-
-
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -53,22 +49,6 @@ Pix2PixHD作为pix2pix的改进版本，是一个经典的图像生成网络，
   | -------- | -------- | -------- | ------------ |
   | output  | FLOAT32  | batchsize x 3 x 1024 x 2048 | NCHW           |
 
-
-# 推理环境准备<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动
-
-  **表 1**  版本配套表
-
-  | 配套                                                         | 版本    | 环境准备指导                                                 |
-  | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-  | 固件与驱动                                                   | 1.0.17  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-  | CANN                                                         | 6.0.RC1 | -                                                            |
-  | Python                                                       | 3.7.5   | -                                                            |
-  | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                            |
-
-
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
diff --git a/ACL_PyTorch/contrib/cv/gan/StarGAN/README.md b/ACL_PyTorch/contrib/cv/gan/StarGAN/README.md
index 191a6a2bc5..81270910e0 100755
--- a/ACL_PyTorch/contrib/cv/gan/StarGAN/README.md
+++ b/ACL_PyTorch/contrib/cv/gan/StarGAN/README.md
@@ -5,10 +5,6 @@
 
     - [输入输出数据](#section540883920406)
 
-
-
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -57,24 +53,6 @@ StarGAN是 Yunjey Choi 等人于 17年11月 提出的一个模型。该模型可
   | output1  | batchsize x 3 x 128 x 128 | RGB_FP32  | NCHW           |
 
 
-
-
-# 推理环境准备<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动   
-
-  **表 1**  版本配套表
-
-  | 配套                                                         | 版本    | 环境准备指导                                                 |
-  | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-  | 固件与驱动                                                   | 1.0.17(NPU驱动固件版本为6.0.RC1)  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-  | CANN                                                         | 6.0.RC1 | -                                                            |
-  | Python                                                       | 3.7.5   | -                                                            |
-  | Pytorch                                                      | 1.5.0   | -                                                            |
-                                               
-
-
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
diff --git a/ACL_PyTorch/contrib/cv/gan/StyleGAN2-ADA/README.md b/ACL_PyTorch/contrib/cv/gan/StyleGAN2-ADA/README.md
index fb906b10a1..2336fbd989 100644
--- a/ACL_PyTorch/contrib/cv/gan/StyleGAN2-ADA/README.md
+++ b/ACL_PyTorch/contrib/cv/gan/StyleGAN2-ADA/README.md
@@ -5,10 +5,6 @@
 
     - [输入输出数据](#section540883920406)
 
-
-
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -47,23 +43,6 @@ StyleGAN2-ADA是具有自适应鉴别器增强（ADA）的StyleGAN2，用有限
   | -------- | -------- | -------- | ------------ |
   | output1  | FLOAT32  | batchsize x 3 x 512 x 512| NCHW         |
 
-
-# 推理环境准备<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动  
-
-  **表 1**  版本配套表
-
-  | 配套                                                         | 版本    | 环境准备指导                                                 |
-  | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-  | 固件与驱动                                                   | 22.0.2  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-  | CANN                                                         | 6.0.1 | -                                                            |
-  | Python                                                       | 3.7.5   | -                                                            |
-  | PyTorch                                                      | 1.8.0   | -                                                            |
-  | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                            |
-
-
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
@@ -226,7 +205,7 @@ StyleGAN2-ADA是具有自适应鉴别器增强（ADA）的StyleGAN2，用有限
       可使用ais_bench推理工具的纯推理模式验证不同batch_size的om模型的性能，参考命令如下：
 
         ```
-         python3.7 -m ais_bench --model=${om_model_path} --loop=20 --batchsize=${batch_size}
+         python3 -m ais_bench --model=${om_model_path} --loop=20 --batchsize=${batch_size}
         ```
 
       - 参数说明：
diff --git a/ACL_PyTorch/contrib/cv/image_process/Cross-Scale-Non-Local-Attention/README.md b/ACL_PyTorch/contrib/cv/image_process/Cross-Scale-Non-Local-Attention/README.md
index 0b2f007d23..6a470dc192 100644
--- a/ACL_PyTorch/contrib/cv/image_process/Cross-Scale-Non-Local-Attention/README.md
+++ b/ACL_PyTorch/contrib/cv/image_process/Cross-Scale-Non-Local-Attention/README.md
@@ -2,7 +2,6 @@
 
 - [概述](#概述)
     - [输入输出数据](#输入输出数据)
-- [推理环境](#推理环境)
 - [快速上手](#快速上手)
     - [获取源码](#获取源码)
     - [准备数据集](#准备数据集)
@@ -33,21 +32,6 @@
     | ----------- | ---------- | ----------- | ----------- |
     | output1      |  FLOAT32   | NCHW | batch_size x 3 x 224 x 224        |
 
-
-----
-# 推理环境
-
-- 该模型推理所需配套的软件如下：
-
-    | 配套      | 版本    | 环境准备指导 |
-    | --------- | ------- | ---------- |
-    | 固件与驱动 | 1.0.17  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-    | CANN      | 6.0.RC1 | -          |
-    | Python    | 3.7.5   | -          |
-
-   说明：请根据推理卡型号与 CANN 版本选择相匹配的固件与驱动版本。
-
-
 ----
 # 快速上手
 
diff --git a/ACL_PyTorch/contrib/cv/image_process/DnCNN/READEME.md b/ACL_PyTorch/contrib/cv/image_process/DnCNN/READEME.md
index aa4a277dc3..6afb260fe0 100644
--- a/ACL_PyTorch/contrib/cv/image_process/DnCNN/READEME.md
+++ b/ACL_PyTorch/contrib/cv/image_process/DnCNN/READEME.md
@@ -5,10 +5,6 @@
 
     - [输入输出数据](#section540883920406)
 
-
-
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -50,24 +46,6 @@ DnCNN作为去噪神经网络非常出名，这个网络强调了residual learni
   | -------- | -------- | -------- | ------------ |
   | output1  | FLOAT32  | batchsize x 1 x 481 x 481 | NCHW           |
 
-
-
-# 推理环境准备<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动   
-
-  **表 1**  版本配套表
-
-  | 配套                                                         | 版本      | 环境准备指导                                                 |
-  |---------| ------- | ------------------------------------------------------------ |
-  | 固件与驱动                                                   | 22.0.3  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-  | CANN                                                         | 6.0.RC1 | -                                                            |
-  | Python                                                       | 3.7.5   | -                                                            |
-  | PyTorch                                                      | 1.8.0   | -                                                            |
-  | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                            |
-
-
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
@@ -96,7 +74,7 @@ DnCNN作为去噪神经网络非常出名，这个网络强调了residual learni
    执行data_preprocess.py脚本，完成预处理。
 
    ```
-   python3.7 data_preprocess.py ./DnCNN-PyTorch/data ISource INoisy
+   python3 data_preprocess.py ./DnCNN-PyTorch/data ISource INoisy
 
    ```
    
@@ -129,7 +107,7 @@ DnCNN作为去噪神经网络非常出名，这个网络强调了residual learni
          运行DnCNN_pth2onnx.py脚本。
 
          ```
-         python3.7 DnCNN_pth2onnx.py net.pth DnCNN-S-15.onnx
+         python3 DnCNN_pth2onnx.py net.pth DnCNN-S-15.onnx
          ```
 
          获得DnCNN-S-15.onnx文件。
@@ -209,7 +187,7 @@ DnCNN作为去噪神经网络非常出名，这个网络强调了residual learni
       调用postprocess.py脚本推理结果进行PSRN计算，结果会打印在屏幕上。
 
       ```
-       python3.7 postprocess.py ./output/subdir
+       python3 postprocess.py ./output/subdir
       ```
 
       - 参数说明：
@@ -221,9 +199,9 @@ DnCNN作为去噪神经网络非常出名，这个网络强调了residual learni
       可使用ais_bench推理工具的纯推理模式验证不同batch_size的om模型的性能，参考命令如下：
 
         ```
-        python3.7 -m ais_bench --model=./DnCNN-S-15_bs{batch size}.om --loop=1000 --batchsize={batch size}
+        python3 -m ais_bench --model=./DnCNN-S-15_bs{batch size}.om --loop=1000 --batchsize={batch size}
         示例
-        python3.7 -m ais_bench --model=./DnCNN-S-15_bs1.om --loop=1000 --batchsize=1
+        python3 -m ais_bench --model=./DnCNN-S-15_bs1.om --loop=1000 --batchsize=1
         ```
 
       - 参数说明：
diff --git a/ACL_PyTorch/contrib/cv/image_process/SRFlow/README.md b/ACL_PyTorch/contrib/cv/image_process/SRFlow/README.md
index d15d454432..b2b2a0a116 100644
--- a/ACL_PyTorch/contrib/cv/image_process/SRFlow/README.md
+++ b/ACL_PyTorch/contrib/cv/image_process/SRFlow/README.md
@@ -2,7 +2,6 @@
 
 - [概述](#概述)
     - [输入输出数据](#输入输出数据)
-- [推理环境](#推理环境)
 - [快速上手](#快速上手)
     - [获取源码](#获取源码)
     - [准备数据集](#准备数据集)
@@ -37,19 +36,6 @@ SRFlow是一种基于归一化流的超分辨率方法，具备比GAN更强的
     | output-image |  RGB_FP32  | NCHW        | batchsize x 3 x 2048 x 2048   |
 
     说明：目前该模型只支持转出 batchszie 为 1 的 OM 模型。
-----
-# 推理环境
-
-- 该模型推理所需配套的软件如下：
-
-    | 配套      | 版本    | 环境准备指导 |
-    | --------- | ------- | ---------- |
-    | 固件与驱动 | 1.0.17  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-    | CANN      | 6.0.RC1 | -          |
-    | Python    | 3.7.5   | -          |
-    
-    说明：请根据推理卡型号与 CANN 版本选择相匹配的固件与驱动版本。
-
 
 ----
 # 快速上手
@@ -58,7 +44,7 @@ SRFlow是一种基于归一化流的超分辨率方法，具备比GAN更强的
 
 1. 安装推理过程所需的依赖
     ```bash
-    pip install -r requirements.txt
+    pip3 install -r requirements.txt
     ```
 2. 获取开源仓源码
     ```bash
@@ -87,7 +73,7 @@ SRFlow是一种基于归一化流的超分辨率方法，具备比GAN更强的
 2. 数据预处理  
     执行前处理脚本将原始数据转换为OM模型输入需要的bin文件。
     ```bash
-    python srflow_preprocess.py -s ./datasets/div2k-validation-modcrop8-x8 -o ./prep_data
+    python3 srflow_preprocess.py -s ./datasets/div2k-validation-modcrop8-x8 -o ./prep_data
     ```
     参数说明：
     + -s/--source: 原始数据路径
@@ -108,7 +94,7 @@ SRFlow是一种基于归一化流的超分辨率方法，具备比GAN更强的
 
     然后执行执行以下命令生成 ONNX 模型：
     ```bash
-    python srflow_pth2onnx.py  --pth ./pretrained_models/SRFlow_DF2K_8X.pth --onnx srflow_df2k_x8.onnx
+    python3 srflow_pth2onnx.py  --pth ./pretrained_models/SRFlow_DF2K_8X.pth --onnx srflow_df2k_x8.onnx
     ```
     参数说明：
     + --pth: 预训练权重文件路径
@@ -117,7 +103,7 @@ SRFlow是一种基于归一化流的超分辨率方法，具备比GAN更强的
 2. ONNX 模型优化  
     使用 onnx-simplifier 简化 ONNX 模型：
     ```bash
-    python -m onnxsim ./srflow_df2k_x8.onnx ./srflow_df2k_x8_sim.onnx
+    python3 -m onnxsim ./srflow_df2k_x8.onnx ./srflow_df2k_x8_sim.onnx
     ```
     以上的命令中，`./srflow_df2k_x8.onnx`为原始ONXN模型，`./srflow_df2k_x8_sim.onnx`为优化后的ONNX模型。
 
@@ -176,7 +162,7 @@ SRFlow是一种基于归一化流的超分辨率方法，具备比GAN更强的
 1. 对数据集推理  
     安装ais_bench推理工具。请访问[ais_bench推理工具](https://gitee.com/ascend/tools/tree/master/ais-bench_workload/tool/ais_bench)代码仓，根据readme文档进行工具安装。完成安装后，执行以下命令预处理后的数据进行推理。
     ```bash
-    python -m ais_bench \
+    python3 -m ais_bench \
         --model ./srflow_df2k_x8_bs${bs}.om \
         --input ./prep_data/bin/ \
         --output ./ \
@@ -197,7 +183,7 @@ SRFlow是一种基于归一化流的超分辨率方法，具备比GAN更强的
     + 为了避免测试过程因持续时间太长而受到干扰，建议通过纯推理的方式进行性能测试。
     + 使用吞吐率作为性能指标，单位为 fps，反映模型在单位时间（1秒）内处理的样本数。
     ```bash
-    python -m ais_bench --model ./srflow_df2k_x8_bs${bs}.om --batchsize ${bs} --loop 100
+    python3 -m ais_bench --model ./srflow_df2k_x8_bs${bs}.om --batchsize ${bs} --loop 100
     ```
     执行完纯推理命令，程序会打印出与性能相关的指标，找到以关键字 **[INFO] throughput** 开头的一行，行尾的数字即为 OM 模型的吞吐率。
 
@@ -205,7 +191,7 @@ SRFlow是一种基于归一化流的超分辨率方法，具备比GAN更强的
 
     执行后处理脚本，根据推理结果计算OM模型的精度：
     ```bash
-    python srflow_postprocess.py \
+    python3 srflow_postprocess.py \
         --hr ./datasets/div2k-validation-modcrop8-gt/ \
         --binres ./result_bs${bs} \
         --save ./result_bs${bs}_save
@@ -224,3 +210,7 @@ SRFlow是一种基于归一化流的超分辨率方法，具备比GAN更强的
 | 芯片型号   | BatchSize | 数据集 | 精度            | 性能       |
 | --------- | --------- | ------ | --------------- | --------- |
 |Ascend310P3| 1         | DIV2K  | avg_psnr=23.017 | 0.737 fps |
+
+
+# 公网地址说明
+代码涉及公网地址参考 public_address_statement.md
\ No newline at end of file
diff --git a/ACL_PyTorch/contrib/cv/image_process/SRFlow/public_address_statement.md b/ACL_PyTorch/contrib/cv/image_process/SRFlow/public_address_statement.md
new file mode 100644
index 0000000000..66f52c20a4
--- /dev/null
+++ b/ACL_PyTorch/contrib/cv/image_process/SRFlow/public_address_statement.md
@@ -0,0 +1,3 @@
+| 类型 | 开源代码地址 | 文件名 | 公网IP地址/公网URL地址/域名/邮箱地址 | 用途说明 |
+| ---- | ------------ | ------ | ------------------------------------ | -------- |
+|开源代码引入|https://github.com/andreas128/SRFlow |srflow.patch |https://github.com/chaiyujin/glow-pytorch/blob/master/LICENSE |使用说明|
\ No newline at end of file
diff --git a/ACL_PyTorch/contrib/cv/image_process/wdsr/README.md b/ACL_PyTorch/contrib/cv/image_process/wdsr/README.md
index 468de1a5f9..fb8792fde3 100644
--- a/ACL_PyTorch/contrib/cv/image_process/wdsr/README.md
+++ b/ACL_PyTorch/contrib/cv/image_process/wdsr/README.md
@@ -4,8 +4,6 @@
 
     - [输入输出数据](#section540883920406)
 
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -45,20 +43,6 @@ Wdsr是对EDSR进行改进，去除了冗余的卷积层，同时也改造了res
   | --------- | -------- | --------------------------- | ------------ |
   | out_image | RGB_FP32 | batchsize x 3 x 2040 x 2040 | NCHW         |
 
-# 推理环境准备<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动
-
-  **表 1** 版本配套表
-
-  | 配套                                                         | 版本    | 环境准备指导                                                 |
-  | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-  | 固件与驱动                                                   | 1.0.17  | [Pytorch框架推理环境准备](https://gitee.com/link?target=https%3A%2F%2Fwww.hiascend.com%2Fdocument%2Fdetail%2Fzh%2FModelZoo%2Fpytorchframework%2Fpies) |
-  | CANN                                                         | 6.0.RC1 | -                                                            |
-  | Python                                                       | 3.7.5   | -                                                            |
-  | PyTorch                                                      | 1.12.1  | -                                                            |
-  | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                            |
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
diff --git a/ACL_PyTorch/contrib/cv/image_registration/superpoint/README.md b/ACL_PyTorch/contrib/cv/image_registration/superpoint/README.md
index 0fb1937dcc..17ce6f9c04 100644
--- a/ACL_PyTorch/contrib/cv/image_registration/superpoint/README.md
+++ b/ACL_PyTorch/contrib/cv/image_registration/superpoint/README.md
@@ -5,8 +5,6 @@
 
   - [输入输出数据](#section4622531142820)
 
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -51,22 +49,6 @@
   | output1 | FLOAT32 | 1 x 256 x 30 x 40  | NHCW   |
   | output2 | FLOAT32  | 1 x 65 x 30 x 40  | NHCW   |
 
-
-
-# 推理环境准备\[所有版本\]<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动
-
-  **表 1**  版本配套表
-
-  | 配套                                                         | 版本    | 环境准备指导                                                 |
-  | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-  | 固件与驱动                                                   | 1.0.15  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-  | CANN                                                         | 5.1.RC2 | -                                                            |
-  | Python                                                       | 3.7.5   | -                                                            |
-  | PyTorch                                                      | 1.6.0   | -                                                            |
-  | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                            |
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
@@ -80,7 +62,7 @@
 
 2. 安装依赖  
    ```
-   pip install -r requirements.txt 
+   pip3 install -r requirements.txt 
    ```
 
 ## 准备数据集<a name="section183221994678"></a>（解压命令参考tar –xvf  \*.tar与 unzip \*.zip）
@@ -102,7 +84,7 @@
 
    数据预处理在代码主目录将原始数据集转换为模型输入的数据。
    ```
-   python superpoint_preprocess.py --img_path $img_path --result_path $result_path
+   python3 superpoint_preprocess.py --img_path $img_path --result_path $result_path
    ```
    详见下表
 
@@ -126,7 +108,7 @@
       在代码主目录使用superpoint_pth2onnx.py导出onnx文件。
       
       ```
-      python superpoint_pth2onnx.py --model_path=$model_path --batch_size=$batch_size
+      python3 superpoint_pth2onnx.py --model_path=$model_path --batch_size=$batch_size
       ```
       
       | 参数           | 说明                                                 
@@ -198,7 +180,7 @@
    2. 执行推理。
 
       ```
-      python -m ais_bench --model sp-${batchsize}.om --input ${bin_path} --output ${result_path} --batchsize ${batchsize}
+      python3 -m ais_bench --model sp-${batchsize}.om --input ${bin_path} --output ${result_path} --batchsize ${batchsize}
       ```
 
       - 参数说明：
@@ -216,7 +198,7 @@
        在代码主目录进行精度计算
    
        ```
-       python superpoint_postprocess.py --img_path=$config_path --result_path=$result_path
+       python3 superpoint_postprocess.py --img_path=$config_path --result_path=$result_path
        ```
        | 参数           | 说明 |
        | -------- |---------------------------|
@@ -227,7 +209,7 @@
       可使用ais_bench推理工具的纯推理模式验证不同batch_size的om模型的性能，参考命令如下：
    
       ```
-      python -m ais_bench --model=${om_model_path} --loop=20 --batchsize=${batch_size}
+      python3 -m ais_bench --model=${om_model_path} --loop=20 --batchsize=${batch_size}
       ```
         | 参数           | 说明 
         | -------- |---------------------------|                               
diff --git a/ACL_PyTorch/contrib/cv/image_retrieval/BLIP/readme.md b/ACL_PyTorch/contrib/cv/image_retrieval/BLIP/readme.md
index c6a2306896..40973399f4 100644
--- a/ACL_PyTorch/contrib/cv/image_retrieval/BLIP/readme.md
+++ b/ACL_PyTorch/contrib/cv/image_retrieval/BLIP/readme.md
@@ -5,10 +5,6 @@
 
     - [输入输出数据](#section540883920406)
 
-
-
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -89,23 +85,6 @@ BLIP模型为一种新的Vision-Language Pre-training框架，它可以灵活地
   | -------- | -------- | -------- | ------------ |
   | image_feat   | FLOAT32  | batchsize x 577 x 768 | ND           |
 
-
-# 推理环境准备<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动  
-
-  **表 1**  版本配套表
-
-  | 配套                                                         | 版本    | 环境准备指导                                                 |
-  | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-  | 固件与驱动                                                   | 22.0.2  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-  | CANN                                                         | 6.0.RC1 | -                                                            |
-  | Python                                                       | 3.7.5   | -                                                            |
-  | PyTorch                                                      | 1.7.0   | -                                                            |
-  | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                            |
-
-
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
@@ -154,7 +133,7 @@ BLIP模型为一种新的Vision-Language Pre-training框架，它可以灵活地
    执行BLIP_preprocess.py脚本，完成预处理。
 
    ```
-    python BLIP_preprocess.py \
+    python3 BLIP_preprocess.py \
         --coco_path ./coco2014 \
         --save_bin_path ./coco2014_bin 
    ```
@@ -187,7 +166,7 @@ BLIP模型为一种新的Vision-Language Pre-training框架，它可以灵活地
       在`BLIP`工作目录下通过运行以下命令获取onnx模型。
 
       ```
-      python BLIP_pth2onnx.py --pth_path ./model_base_retrieval_coco.pth
+      python3 BLIP_pth2onnx.py --pth_path ./model_base_retrieval_coco.pth
       ```
       
        - 参数说明：
@@ -279,17 +258,17 @@ BLIP模型为一种新的Vision-Language Pre-training框架，它可以灵活地
          mkdir coco2014_infer/image_feat
          mkdir coco2014_infer/text_embed
 
-         python -m ais_bench \
+         python3 -m ais_bench \
                --model ./BLIP_image_bs${batchsize}.om \
                --input ./coco2014_bin/img/ \
                --output ./coco2014_infer/image_embed  
          
-         python -m ais_bench \
+         python3 -m ais_bench \
                --model ./BLIP_image_feat_bs${batchsize}.om \
                --input ./coco2014_bin/img/ \
                --output ./coco2014_infer/image_feat
 
-         python -m ais_bench \
+         python3 -m ais_bench \
                --model ./BLIP_text_bs${batchsize}.om \
                --input ./coco2014_bin/ids/,./coco2014_bin/mask/ \
                --output ./coco2014_infer/text_embed  
@@ -307,7 +286,7 @@ BLIP模型为一种新的Vision-Language Pre-training框架，它可以灵活地
       执行后处理脚本BLIP_postprocess.py`，参考命令如下：
 
       ```
-      python BLIP_postprocess.py \
+      python3 BLIP_postprocess.py \
         --text_embed_path ./coco2014_infer/text_embed/${specific_dir} \
         --image_embed_path ./coco2014_infer/image_embed/${specific_dir} \
         --image_feat_path  ./coco2014_infer/image_feat/${specific_dir} \
@@ -329,7 +308,7 @@ BLIP模型为一种新的Vision-Language Pre-training框架，它可以灵活地
       可使用ais_bench推理工具的纯推理模式验证不同batch_size的om模型的性能，参考命令如下：
 
         ```
-         python -m ais_bench --model=${om_model_path} --loop=100 --batchsize=${batch_size}
+         python3 -m ais_bench --model=${om_model_path} --loop=100 --batchsize=${batch_size}
         ```
 
       - 参数说明：
diff --git a/ACL_PyTorch/contrib/cv/pose_estimation/3DMPPE-ROOTNET/README.md b/ACL_PyTorch/contrib/cv/pose_estimation/3DMPPE-ROOTNET/README.md
index b58de2a612..89bd58a43f 100644
--- a/ACL_PyTorch/contrib/cv/pose_estimation/3DMPPE-ROOTNET/README.md
+++ b/ACL_PyTorch/contrib/cv/pose_estimation/3DMPPE-ROOTNET/README.md
@@ -5,8 +5,6 @@
 
     - [输入输出数据](#section540883920406)
 
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -52,22 +50,6 @@
   | -------- | -------------- | -------- | ------------ |
   | output  |  batchsize x 3 | FLOAT32  | ND           |
 
-
-
-# 推理环境准备<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动
-
-  **表 1**  版本配套表
-
-  | 配套                                                         | 版本    | 环境准备指导                                                 |
-  | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-  | 固件与驱动                                                   | 1.0.16（NPU驱动固件版本为5.1.RC2）  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-  | CANN                                                         | 5.1.RC2 | - 
-  | Python                                                        | 3.7.5 | - 
-
-
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
@@ -99,7 +81,7 @@
 3. 安装依赖。
 
    ```
-   pip install -r requirements.txt
+   pip3 install -r requirements.txt
    ```
 
 ## 准备数据集<a name="section183221994411"></a>
@@ -122,7 +104,7 @@
    执行3DMPPE-ROOTNET_preprocess.py脚本，完成预处理。
 
    ```
-   python 3DMPPE-ROOTNET_preprocess.py --img_path=./MuPoTS/MultiPersonTestSet --ann_path=./MuPoTS/MuPoTS-3D.json --save_path_image=data_image_bs1 --save_path_cam=data_cam_bs1 --inference_batch_siz=1
+   python3 3DMPPE-ROOTNET_preprocess.py --img_path=./MuPoTS/MultiPersonTestSet --ann_path=./MuPoTS/MuPoTS-3D.json --save_path_image=data_image_bs1 --save_path_cam=data_cam_bs1 --inference_batch_siz=1
    ```
     
    - 参数说明：
@@ -149,7 +131,7 @@
         运行“3DMPPE-ROOTNET_pth2onnx.py”脚本。
 
          ```
-         python 3DMPPE-ROOTNET_pth2onnx.py snapshot_6.pth.tar 3DMPPE-ROOTNET.onnx
+         python3 3DMPPE-ROOTNET_pth2onnx.py snapshot_6.pth.tar 3DMPPE-ROOTNET.onnx
          ```
          - 参数说明：
 
@@ -218,7 +200,7 @@
 
        执行命令
        ```
-       python -m ais_bench --device 0 --batchsize 1 --model 3DMPPE-ROOTNET_bs1.om --input "data_image_bs1,data_cam_bs1" --output out_bs1
+       python3 -m ais_bench --device 0 --batchsize 1 --model 3DMPPE-ROOTNET_bs1.om --input "data_image_bs1,data_cam_bs1" --output out_bs1
        ```
        -   参数说明：
       
@@ -236,7 +218,7 @@
        运行后处理脚本“3DMPPE-ROOTNET _postprocess.py”。
 
        ```
-       python 3DMPPE-ROOTNET_postprocess.py --img_path=MuPoTS/MultiPersonTestSet --ann_path=MuPoTS/MuPoTS-3D.json --input_path=out_bs1 --result_file=result_bs1
+       python3 3DMPPE-ROOTNET_postprocess.py --img_path=MuPoTS/MultiPersonTestSet --ann_path=MuPoTS/MuPoTS-3D.json --input_path=out_bs1 --result_file=result_bs1
        ```
        -   参数说明：
             -   --img_path ：数据集路径。
@@ -250,7 +232,7 @@
        可使用ais_bench推理工具的纯推理模式验证不同batch_size的om模型的性能，参考命令如下：
 
        ```
-       python -m ais_bench --model=${om_model_path} --loop=20 --batchsize=${batch_size}
+       python3 -m ais_bench --model=${om_model_path} --loop=20 --batchsize=${batch_size}
        ```
        - 参数说明：
             - --model：om模型的路径
diff --git a/ACL_PyTorch/contrib/cv/pose_estimation/DEKR/README.md b/ACL_PyTorch/contrib/cv/pose_estimation/DEKR/README.md
index 9637923c75..ad51e9b648 100644
--- a/ACL_PyTorch/contrib/cv/pose_estimation/DEKR/README.md
+++ b/ACL_PyTorch/contrib/cv/pose_estimation/DEKR/README.md
@@ -4,8 +4,6 @@
 
     - [输入输出数据](#section540883920406)
 
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -50,23 +48,6 @@ DEKR采用的是自底向上的范式，准确地回归关键点位置需要学
   | output1  | FLOAT32  | batchsize x 18 x 128 x 192;<br/>batchsize x 18 x 128 x 128;<br/>batchsize x 18 x 192 x 128;<br/>batchsize x 18 x 128 x 256;<br/>batchsize x 18 x 256 x 128 | NCHW         |
   | output2  | FLOAT32  | batchsize x 34 x 128 x 192;<br/>batchsize x 34 x 128 x 128;<br/>batchsize x 34 x 192 x 128;<br/>batchsize x 34 x 128 x 256;<br/>batchsize x 34 x 256 x 128 | NCHW         |
 
-
-
-
-# 推理环境准备<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动
-
-  **表 1**  版本配套表
-
-| 配套                                                         | 版本    | 环境准备指导                                                 |
-| ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-| 固件与驱动                                                    | 1.0.17  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-| CANN                                                         | 6.0.RC1 | -                                                            |
-| Python                                                       | 3.7.5   | -                                                            |
-| PyTorch                                                      | 1.8.0   | -                                                            |
-| 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                            |
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 ## 获取源码<a name="section4622531142816"></a>
 
diff --git a/ACL_PyTorch/contrib/cv/pose_estimation/HRNet/README.md b/ACL_PyTorch/contrib/cv/pose_estimation/HRNet/README.md
index 8274cda7fb..e7d9e87a11 100644
--- a/ACL_PyTorch/contrib/cv/pose_estimation/HRNet/README.md
+++ b/ACL_PyTorch/contrib/cv/pose_estimation/HRNet/README.md
@@ -3,8 +3,6 @@
 
 - [概述](#ZH-CN_TOPIC_0000001172161501)
 
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -57,22 +55,6 @@
   | -------- | -------- | -------- | ------------ |
   | output1  | 1 x 1000 | FLOAT32  | ND           |
 
-
-# 推理环境准备\[所有版本\]<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动
-
-  **表 1**  版本配套表
-
-| 配套                                                         | 版本    | 环境准备指导                                                 |
-| ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-| 固件与驱动                                                   | 22.0.2  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-| CANN                                                         | 5.1.RC2 | -                                                            |
-| onnx                                                         | 1.9.0   | -                                                            |
-| Python                                                       | 3.7.5   | -                                                            |
-| PyTorch                                                      | 1.8.0   | -                                                            |
-| 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                            |
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
@@ -111,7 +93,7 @@
    执行imagenet_torch_preprocess.py脚本，完成预处理。
 
    ```
-   python3.7 imagenet_torch_preprocess.py hrnet ${raw_dataset_path}/ILSVRC2012_img_val ${dataset_path}
+   python3 imagenet_torch_preprocess.py hrnet ${raw_dataset_path}/ILSVRC2012_img_val ${dataset_path}
    ```
    - 参数说明：
      - hrnet：模型名称
@@ -143,7 +125,7 @@
          运行hrnet_pth2onnx.py脚本。
 
          ```
-          python3.7 hrnet_pth2onnx.py --cfg ./HRNet-Image-Classification/experiments/cls_hrnet_w18_sgd_lr5e-2_wd1e-4_bs32_x100.yaml --input hrnet_w18.pth --output hrnet_w18.onnx
+          python3 hrnet_pth2onnx.py --cfg ./HRNet-Image-Classification/experiments/cls_hrnet_w18_sgd_lr5e-2_wd1e-4_bs32_x100.yaml --input hrnet_w18.pth --output hrnet_w18.onnx
          ```
 
          - 参数说明：
@@ -212,7 +194,7 @@
    b.  执行推理。
 
       ```
-       python3.7 -m ais_bench --model ${om_model_path} --input ${dataset_path} --output ${result_path} --outfmt TXT --batchsize ${batch_size} 
+       python3 -m ais_bench --model ${om_model_path} --input ${dataset_path} --output ${result_path} --outfmt TXT --batchsize ${batch_size} 
       ```
 
       - 参数说明：
@@ -231,7 +213,7 @@
       调用脚本与数据集标签val\_label.txt比对，可以获得Accuracy数据，结果保存在result.json中。
 
       ```
-       python3.7 imagenet_acc_eval.py ${result_path} ${val_label_path}/val_label.txt ${output_path} result.json
+       python3 imagenet_acc_eval.py ${result_path} ${val_label_path}/val_label.txt ${output_path} result.json
       ```
 	  
      - 参数说明：
diff --git a/ACL_PyTorch/contrib/cv/pose_estimation/HigherHRNet/README.md b/ACL_PyTorch/contrib/cv/pose_estimation/HigherHRNet/README.md
index 9c555d5e44..48d433b274 100644
--- a/ACL_PyTorch/contrib/cv/pose_estimation/HigherHRNet/README.md
+++ b/ACL_PyTorch/contrib/cv/pose_estimation/HigherHRNet/README.md
@@ -4,8 +4,6 @@
 
     - [输入输出数据](#section540883920406)
 
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -60,20 +58,6 @@
   | output1  | FLOAT32  | batchsize x 17 x h/4 x w/41 x 1000 | NCHW         |
   | output2  | FLOAT32  | batchsize x 17 x h/2 x w/2         | NCHW         |
 
-# 推理环境准备<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动
-
-  **表 1**  版本配套表
-
-  | 配套                                                            | 版本    | 环境准备指导                                                                                          |
-  | --------------------------------------------------------------- | ------- | ----------------------------------------------------------------------------------------------------- |
-  | 固件与驱动                                                      | 22.0.2  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-  | CANN                                                            | 5.1.RC2 | -                                                                                                     |
-  | Python                                                          | 3.7.5   | -                                                                                                     |
-  | PyTorch                                                         | 1.8.0   | -                                                                                                     |
-  | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                                                                     |
-
 
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
diff --git a/ACL_PyTorch/contrib/cv/pose_estimation/MSPN/README.md b/ACL_PyTorch/contrib/cv/pose_estimation/MSPN/README.md
index 927f09a5c5..26389d852e 100644
--- a/ACL_PyTorch/contrib/cv/pose_estimation/MSPN/README.md
+++ b/ACL_PyTorch/contrib/cv/pose_estimation/MSPN/README.md
@@ -5,8 +5,6 @@
 
     - [输入输出数据](#section540883920406)
 
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -50,25 +48,6 @@
   | -------- | -------- | -------- | ------------ |
   | output  | FLOAT32  | batchsize x 3 x 256 x 192 | NCHW           |
 
-
-
-
-# 推理环境准备<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动
-
-  **表 1**  版本配套表
-
-  | 配套                                                         | 版本    | 环境准备指导                                                 |
-  | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-  | 固件与驱动                                                   | 22.0.3  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-  | CANN                                                         | 6.0.RC1 | -                                                            |
-  | Python                                                       | 3.7.5   | -                                                            |
-  | PyTorch                                                      | 1.6.0   | -                                                            |
-  | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                            |
-
-
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
diff --git a/ACL_PyTorch/contrib/cv/pose_estimation/PoseC3D/README.md b/ACL_PyTorch/contrib/cv/pose_estimation/PoseC3D/README.md
index 18e44f080a..e715937478 100644
--- a/ACL_PyTorch/contrib/cv/pose_estimation/PoseC3D/README.md
+++ b/ACL_PyTorch/contrib/cv/pose_estimation/PoseC3D/README.md
@@ -2,7 +2,6 @@
 
 - [概述](#概述)
     - [输入输出数据](#输入输出数据)
-- [推理环境](#推理环境)
 - [快速上手](#快速上手)
     - [获取源码](#获取源码)
     - [准备数据集](#准备数据集)
@@ -35,21 +34,6 @@ PoseC3D 是一种基于 3D-CNN 的骨骼行为识别框架，同时具备良好
     | ------- | --------- | ------------ | ----------- |
     | -       |  FLOAT32  | (bs*20) x 51 | ND          |
 
-
-----
-# 推理环境
-
-- 该模型推理所需配套的软件如下：
-
-    | 配套      | 版本    | 环境准备指导 |
-    | --------- | ------- | ---------- |
-    | 固件与驱动 | 1.0.17  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-    | CANN      | 6.0.RC1 | -          |
-    | Python    | 3.8.13  | -          |
-    
-    说明：请根据推理卡型号与 CANN 版本选择相匹配的固件与驱动版本。
-
-
 ----
 # 快速上手
 
@@ -57,12 +41,12 @@ PoseC3D 是一种基于 3D-CNN 的骨骼行为识别框架，同时具备良好
 
 1. 安装推理过程所需的依赖
     ```bash
-    pip install -r requirements.txt
+    pip3 install -r requirements.txt
     ```
 2. 获取开源仓源码
     ```bash
     git clone -b v0.24.1 https://github.com/open-mmlab/mmaction2.git
-    pip install -v -e mmaction2
+    pip3 install -v -e mmaction2
     ```
 
 ## 准备数据集
@@ -95,7 +79,7 @@ PoseC3D 是一种基于 3D-CNN 的骨骼行为识别框架，同时具备良好
 2. 数据预处理  
     执行前处理脚本将原始数据转换为推理工具支持的bin文件。
     ```bash
-    python posec3d_preprocess.py \
+    python3 posec3d_preprocess.py \
         --frame_dir ./mmaction2/data/hmdb51/rawframes/ \
         --ann_file ./mmaction2/data/hmdb51/hmdb51.pkl \
         --output_dir ./prep_data
@@ -118,7 +102,7 @@ PoseC3D 是一种基于 3D-CNN 的骨骼行为识别框架，同时具备良好
 
     执行mmaction官方提供的转ONNX脚本，生成ONNX模型：
     ```bash
-    python mmaction2/tools/deployment/pytorch2onnx.py \
+    python3 mmaction2/tools/deployment/pytorch2onnx.py \
         ./mmaction2/configs/skeleton/posec3d/slowonly_kinetics400_pretrained_r50_u48_120e_hmdb51_split1_keypoint.py \
         ./slowonly_kinetics400_pretrained_r50_u48_120e_hmdb51_split1_keypoint-76ffdd8b.pth \
         --shape ${bs} 20 17 48 56 56 \
@@ -179,7 +163,7 @@ PoseC3D 是一种基于 3D-CNN 的骨骼行为识别框架，同时具备良好
 1. 对数据集推理  
     该离线模型使用ais_infer作为推理工具，请参考[**安装文档**](https://gitee.com/ascend/tools/tree/master/ais-bench_workload/tool/ais_bench#%E4%B8%80%E9%94%AE%E5%AE%89%E8%A3%85)安装推理后端包aclruntime与推理前端包ais_bench。完成安装后，执行以下命令预处理后的数据进行推理。
     ```bash
-    python -m ais_bench \
+    python3 -m ais_bench \
         --model ./posec3d_bs${bs}.om \
         --input ./prep_data/bin/ \
         --output ./ \
@@ -200,7 +184,7 @@ PoseC3D 是一种基于 3D-CNN 的骨骼行为识别框架，同时具备良好
     + 为了避免测试过程因持续时间太长而受到干扰，建议通过纯推理的方式进行性能测试。
     + 使用吞吐率作为性能指标，单位为 fps，反映模型在单位时间（1秒）内处理的样本数。
     ```bash
-    python -m ais_bench --model ./posec3d_bs${bs}.om --batchsize ${bs} --loop 100
+    python3 -m ais_bench --model ./posec3d_bs${bs}.om --batchsize ${bs} --loop 100
     ```
     执行完纯推理命令，程序会打印出与性能相关的指标，找到以关键字 **[INFO] throughput** 开头的一行，行尾的数字即为 OM 模型的吞吐率。
 
@@ -208,7 +192,7 @@ PoseC3D 是一种基于 3D-CNN 的骨骼行为识别框架，同时具备良好
 
     执行后处理脚本，根据推理结果计算OM模型的精度指标：
     ```bash
-    python posec3d_postprocess.py \
+    python3 posec3d_postprocess.py \
         --infer_results ./result_bs${bs} \
         --label_file ./prep_data/hmdb51_label.txt
     ```
diff --git a/ACL_PyTorch/contrib/cv/pose_estimation/TransPose/README.md b/ACL_PyTorch/contrib/cv/pose_estimation/TransPose/README.md
index a948bdb422..09c1d913dc 100644
--- a/ACL_PyTorch/contrib/cv/pose_estimation/TransPose/README.md
+++ b/ACL_PyTorch/contrib/cv/pose_estimation/TransPose/README.md
@@ -5,10 +5,6 @@
 
     - [输入输出数据](#section540883920406)
 
-
-
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -51,23 +47,6 @@ TransPose是一种基于CNN特征提取器、Transformer编码器和预测头的
   | -------- | -------- | -------- | ------------ |
   | output1  | FLOAT32  | batchsize x 17 x 64 x 48 | ND           |
 
-
-# 推理环境准备<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动 
-
-  **表 1**  版本配套表
-
-  | 配套                                                         | 版本    | 环境准备指导                                                 |
-  | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-  | 固件与驱动                                                   | 22.0.2  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-  | CANN                                                         | 5.1.RC2 | -                                                            |
-  | Python                                                       | 3.7.5   | -                                                            |
-  | PyTorch                                                      | 1.6.0   | -                                                            |
-  | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                            |
-
-
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
@@ -264,4 +243,8 @@ TransPose是一种基于CNN特征提取器、Transformer编码器和预测头的
 |   310P3        |       8           |   COCO2017         |    AP: 73.7%        |      485.39           |
 |   310P3        |       16           |   COCO2017         |    AP: 73.7%        |      458.66           |
 |   310P3        |       32           |   COCO2017         |    AP: 73.7%        |      437.97           |
-|   310P3        |       64           |   COCO2017         |    AP: 73.7%        |      475.99           |
\ No newline at end of file
+|   310P3        |       64           |   COCO2017         |    AP: 73.7%        |      475.99           |
+
+
+# 公网地址说明
+代码涉及公网地址参考 public_address_statement.md
\ No newline at end of file
diff --git a/ACL_PyTorch/contrib/cv/pose_estimation/TransPose/public_address_statement.md b/ACL_PyTorch/contrib/cv/pose_estimation/TransPose/public_address_statement.md
new file mode 100644
index 0000000000..d66e40fa11
--- /dev/null
+++ b/ACL_PyTorch/contrib/cv/pose_estimation/TransPose/public_address_statement.md
@@ -0,0 +1,9 @@
+| 类型 | 开源代码地址 | 文件名 | 公网IP地址/公网URL地址/域名/邮箱地址 | 用途说明 |
+| ---- | ------------ | ------ | ------------------------------------ | -------- |
+|开源代码引入|https://github.com/yangsenius/TransPose.git |TransPose.patch |Bin Xiao (Bin.Xiao@microsoft.com) |邮箱地址|
+|开源代码引入|https://github.com/yangsenius/TransPose.git |TransPose.patch |Hanbin Dai (daihanbin.ac@gmail.com) |邮箱地址|
+|开源代码引入|https://github.com/yangsenius/TransPose.git |TransPose.patch |Bin Xiao (Bin.Xiao@microsoft.com) |邮箱地址|
+|开源代码引入|https://github.com/yangsenius/TransPose.git |TransPose.patch |Hanbin Dai (daihanbin.ac@gmail.com) |邮箱地址|
+|开源代码引入|https://github.com/yangsenius/TransPose.git |TransPose.patch |Feng Zhang (zhangfengwcy@gmail.com) |邮箱地址|
+|开源代码引入|https://github.com/yangsenius/TransPose.git |transpose_r.py |Sen Yang (yangsenius@seu.edu.cn) |邮箱地址|
+|开源代码引入|https://github.com/yangsenius/TransPose.git |transpose_r.py |https://github.com/facebookresearch/detr/blob/master/models/transformer.py |说明源码出处|
\ No newline at end of file
diff --git a/ACL_PyTorch/contrib/cv/pose_estimation/UniFormer/readme.md b/ACL_PyTorch/contrib/cv/pose_estimation/UniFormer/readme.md
index 8582b9c94f..67e9f3b559 100755
--- a/ACL_PyTorch/contrib/cv/pose_estimation/UniFormer/readme.md
+++ b/ACL_PyTorch/contrib/cv/pose_estimation/UniFormer/readme.md
@@ -5,10 +5,6 @@
 
     - [输入输出数据](#section540883920406)
 
-
-
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -55,23 +51,6 @@ UniFormer 提出了一种整合 3D 卷积和时空自注意力机制的 Transfor
   | output1  | FLOAT32  | batchsize x 17 x 64 x 48 | ND           |
 
 
-
-# 推理环境准备<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动 
-
-  **表 1**  版本配套表
-
-  | 配套                                                         | 版本    | 环境准备指导                                                 |
-  | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-  | 固件与驱动                                                   | 22.0.3  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-  | CANN                                                         | 6.0.RC1 | -                                                            |
-  | Python                                                       | 3.8   | -                                                            |
-  | PyTorch                                                      | 1.8.0   | -                                                            |
-  | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                            |
-
-
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
@@ -92,7 +71,7 @@ UniFormer 提出了一种整合 3D 卷积和时空自注意力机制的 Transfor
 2. 安装依赖。
 
    ```
-   pip install -r requirements.txt
+   pip3 install -r requirements.txt
    ```
 
 ## 准备数据集<a name="section183221994411"></a>
@@ -114,7 +93,7 @@ UniFormer 提出了一种整合 3D 卷积和时空自注意力机制的 Transfor
    执行uniformer_preprocess.py脚本，完成预处理。
 
    ```
-   python uniformer_preprocess.py --dataset=./coco --bin=pre_data
+   python3 uniformer_preprocess.py --dataset=./coco --bin=pre_data
    ```
       -   参数说明：
 
@@ -142,7 +121,7 @@ UniFormer 提出了一种整合 3D 卷积和时空自注意力机制的 Transfor
          运行pytorch2onnx.py脚本。
 
          ```
-         python UniFormer/pose_estimation/tools/pytorch2onnx.py \
+         python3 UniFormer/pose_estimation/tools/pytorch2onnx.py \
                 UniFormer/pose_estimation/exp/top_down_256x192_global_base/config.py \
                ./top_down_256x192_global_base.pth \
                --output-file ./uniformer_dybs.onnx
@@ -209,7 +188,7 @@ UniFormer 提出了一种整合 3D 卷积和时空自注意力机制的 Transfor
    2. 执行推理。
 
         ```
-      python -m ais_bench --model=uniformer_bs${bs}.om --input=./pre_data --output=./ --output_dirname=./result --batchsize=${batch_size}  
+      python3 -m ais_bench --model=uniformer_bs${bs}.om --input=./pre_data --output=./ --output_dirname=./result --batchsize=${batch_size}  
         ```
 
         -   参数说明：
@@ -227,7 +206,7 @@ UniFormer 提出了一种整合 3D 卷积和时空自注意力机制的 Transfor
       调用脚本uniformer_postprocess.py
 
       ```
-      python uniformer_postprocess.py --dataset=coco --bin=result
+      python3 uniformer_postprocess.py --dataset=coco --bin=result
       ```
 
       - 参数说明：
@@ -242,7 +221,7 @@ UniFormer 提出了一种整合 3D 卷积和时空自注意力机制的 Transfor
       可使用ais_bench推理工具的纯推理模式验证不同batch_size的om模型的性能，参考命令如下：
 
         ```
-      python -m ais_bench --model=uniformer_bs${bs}.om --loop=100 --batchsize=${batch_size}
+      python3 -m ais_bench --model=uniformer_bs${bs}.om --loop=100 --batchsize=${batch_size}
         ```
 
       - 参数说明：
diff --git a/ACL_PyTorch/contrib/cv/pose_estimation/VideoPose3D/README.md b/ACL_PyTorch/contrib/cv/pose_estimation/VideoPose3D/README.md
index 9ff9969087..6487766b31 100755
--- a/ACL_PyTorch/contrib/cv/pose_estimation/VideoPose3D/README.md
+++ b/ACL_PyTorch/contrib/cv/pose_estimation/VideoPose3D/README.md
@@ -1,7 +1,6 @@
 # VideoPose3D 模型推理指导
 
 - [概述](#概述)
-- [推理环境](#推理环境)
 - [快速上手](#快速上手)
   - [获取源码](#获取源码)
   - [准备数据集](#准备数据集)
@@ -41,19 +40,6 @@ VideoPose3D 是一个基于时间维度上膨胀卷积的高效全卷积网络
     注：输入、输出数据的格式中，第一位N=2，是因为VideoPose3D在推理阶段采取了test-time data augmentation。它的数据是人体姿态，因此正向推理一遍，左右镜像后再推理一遍。将两遍结果融合后，得到最终结果，因此N=2，因为它表示正、反两组数据。
 ---
 
-# 推理环境
-
-- 该模型离线推理使用 Atlas 300I Pro 推理卡，推理所需配套的软件如下：
-
-    | 配套     | 版本          | 环境准备指导                                                                                           |
-    | -------- | ------------- | ---------------------------------------------------------------------------------------------------- |
-    | firmware | 1.82.22.2.220 | [Pytorch 框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-    | driver   | 22.0.2        | [Pytorch 框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-    | CANN     | 5.1.RC2       | [Pytorch 框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-    | Python   | 3.7.5         | -                                                                                                     |
-
----
-
 # 快速上手
 
 ## 获取源码
@@ -66,7 +52,7 @@ VideoPose3D 是一个基于时间维度上膨胀卷积的高效全卷积网络
 
 2. 执行以下命令安装所需的依赖
     ```shell
-    pip install -r requirements.txt
+    pip3 install -r requirements.txt
     ```
 
 3. 克隆开源仓并修改源码
@@ -107,7 +93,7 @@ VideoPose3D 是一个基于时间维度上膨胀卷积的高效全卷积网络
 2. 数据预处理  
     运行数据预处理脚本，将原始数据转换为符合模型输入要求的bin文件。
     ```shell
-    python vp3d_preprocess.py -d vp3d/Human3.6M/ -s vp3d/prep_dataset/
+    python3 vp3d_preprocess.py -d vp3d/Human3.6M/ -s vp3d/prep_dataset/
     ```
     参数说明：
     + -d, --dataset: 原始数据验证集（.npz）所在路径。
@@ -124,7 +110,7 @@ VideoPose3D 是一个基于时间维度上膨胀卷积的高效全卷积网络
 
     step2 导出 .onnx 文件
     ```
-    python vp3d_pth2onnx.py -m vp3d/model_best.bin -o vp3d/vp3d.onnx
+    python3 vp3d_pth2onnx.py -m vp3d/model_best.bin -o vp3d/vp3d.onnx
     ```
     参数说明：
     + -m, --model: 预训练权重所在路径
@@ -213,7 +199,7 @@ VideoPose3D 是一个基于时间维度上膨胀卷积的高效全卷积网络
 
     执行后处理脚本，根据推理结果与 groudtruth 计算 OM 模型的准确率：
     ```shell
-    python vp3d_postprocess.py --preprocess-data vp3d/prep_dataset --infer-results vp3d/infer_results/2022_09_25-07_41_01/
+    python3 vp3d_postprocess.py --preprocess-data vp3d/prep_dataset --infer-results vp3d/infer_results/2022_09_25-07_41_01/
     ```
     
     参数说明：
diff --git a/ACL_PyTorch/contrib/cv/quality_enhancement/ADNet/README.md b/ACL_PyTorch/contrib/cv/quality_enhancement/ADNet/README.md
index 42826f0023..c263883922 100644
--- a/ACL_PyTorch/contrib/cv/quality_enhancement/ADNet/README.md
+++ b/ACL_PyTorch/contrib/cv/quality_enhancement/ADNet/README.md
@@ -3,8 +3,6 @@
 
 - [概述](#ZH-CN_TOPIC_0000001172161501)
 
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -63,22 +61,6 @@
   | -------- | -------- | ------------------------- | ------------ |
   | output1  | FLOAT32  | batchsize x 1 x 321 x 481 | NCHW         |
 
-
-
-
-# 推理环境准备<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动
-
-  **表 1**  版本配套表
-
-| 配套                                                         | 版本    | 环境准备指导                                                 |
-| :------------------------------------------------------------: | :-------: | :------------------------------------------------------------: |
-| 固件与驱动                                                   | 1.0.16  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-| CANN                                                         | 5.1.RC2 | -                                                            |
-| Python                                                       | 3.7.5   |  -                                                            |
-| 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                            |
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
diff --git a/ACL_PyTorch/contrib/cv/quality_enhancement/SRGAN/README.md b/ACL_PyTorch/contrib/cv/quality_enhancement/SRGAN/README.md
index fd9fb32e26..b1f64b6ad9 100644
--- a/ACL_PyTorch/contrib/cv/quality_enhancement/SRGAN/README.md
+++ b/ACL_PyTorch/contrib/cv/quality_enhancement/SRGAN/README.md
@@ -5,10 +5,6 @@
 
     - [输入输出数据](#section540883920406)
 
-
-
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -52,23 +48,6 @@
   | -------- | -------- | -------- | ------------ |
   | output  | FLOAT32  | batchsize x 3 x 280 x 280 | NCHW          |
 
-
-
-# 推理环境准备<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动
-
-  **表 1**  版本配套表
-
-  | 配套                                                         | 版本    | 环境准备指导                                                 |
-  | ------------------------------------------------------------ | ------- | ------------------------------------------------------------ |
-  | 固件与驱动                                                   | 1.0.17  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-  | CANN                                                         | 6.0.RC1 | -                                                            |
-  | Python                                                       | 3.7.5   | -                                                            |
-  | 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                            |
-
-
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
diff --git a/ACL_PyTorch/contrib/cv/segmentation/3D_HRNet/README.md b/ACL_PyTorch/contrib/cv/segmentation/3D_HRNet/README.md
index 3ad6febf0c..214c94faa7 100644
--- a/ACL_PyTorch/contrib/cv/segmentation/3D_HRNet/README.md
+++ b/ACL_PyTorch/contrib/cv/segmentation/3D_HRNet/README.md
@@ -4,8 +4,6 @@
 
     - [输入输出数据](#section540883920406)
 
-- [推理环境准备](#ZH-CN_TOPIC_0000001126281702)
-
 - [快速上手](#ZH-CN_TOPIC_0000001126281700)
 
   - [获取源码](#section4622531142816)
@@ -44,20 +42,6 @@
   | output1  | batch_size x 19 x 256 x 512 | FLOAT32  | NCHW         |
   | output2  | batch_size x 19 x 256 x 512 | FLOAT32  | NCHW         |
 
-# 推理环境准备\[所有版本\]<a name="ZH-CN_TOPIC_0000001126281702"></a>
-
-- 该模型需要以下插件与驱动
-
-  **表 1**  版本配套表
-
-| 配套                                                            | 版本    | 环境准备指导                                                                                          |
-| ------------------------------------------------------------    | ------- | ------------------------------------------------------------                                          |
-| 固件与驱动                                                      | 1.0.17  | [Pytorch框架推理环境准备](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/pies) |
-| CANN                                                            | 6.0.RC1 | -                                                                                                     |
-| Python                                                          | 3.7.5   | -                                                                                                     |
-| PyTorch                                                         | 1.5.0+ | -                                                                                                     |
-| 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \       | \                                                                                                     |
-
 # 快速上手<a name="ZH-CN_TOPIC_0000001126281700"></a>
 
 ## 获取源码<a name="section4622531142816"></a>
-- 
Gitee