diff --git a/TensorFlow/built-in/cv/image_classification/DenseNet121_ID0067_for_TensorFlow/README.md b/TensorFlow/built-in/cv/image_classification/DenseNet121_ID0067_for_TensorFlow/README.md
index 9b14a5bab9bc1875216049b6cfe1881a960034b8..a62514f77c2ddbadab20239d3c2ecdb4f6d89411 100644
--- a/TensorFlow/built-in/cv/image_classification/DenseNet121_ID0067_for_TensorFlow/README.md
+++ b/TensorFlow/built-in/cv/image_classification/DenseNet121_ID0067_for_TensorFlow/README.md
@@ -163,13 +163,13 @@ DenseNet-121是一个经典的图像分类网络，主要特点是采用各层
 
      [Ascend 910训练平台环境变量设置](https://gitee.com/ascend/ModelZoo-TensorFlow/wikis/01.%E8%AE%AD%E7%BB%83%E8%84%9A%E6%9C%AC%E8%BF%81%E7%A7%BB%E6%A1%88%E4%BE%8B/Ascend%20910%E8%AE%AD%E7%BB%83%E5%B9%B3%E5%8F%B0%E7%8E%AF%E5%A2%83%E5%8F%98%E9%87%8F%E8%AE%BE%E7%BD%AE)
 
-- 单卡训练 
+- 单卡性能训练 
 
   1、 单p指令如下:
         cd test;
         bash train_performance_1p.sh --data_path=/path/to/data
 
-- 8卡训练
+- 8卡性能训练
 
   1、 8p指令如下: 
         cd test;
@@ -177,7 +177,19 @@ DenseNet-121是一个经典的图像分类网络，主要特点是采用各层
         
   2、 8p 绑核指令如下:
         cd test;
-        train_performance_8p.sh --bind_core=1 --data_path=/path/to/data
+        bash train_performance_8p.sh --bind_core=1 --data_path=/path/to/data
+
+- 单卡精度训练 
+
+  1、 单p指令如下:
+        cd test;
+        bash train_full_1p.sh --data_path=/path/to/data
+
+- 8卡精度训练
+
+  1、 8p指令如下: 
+        cd test;
+        bash train_full_8p.sh --data_path=/path/to/data
 
 
 - 验证。
@@ -332,7 +344,7 @@ DenseNet-121是一个经典的图像分类网络，主要特点是采用各层
 
 1.  通过“模型训练”中的训练指令启动单卡或者多卡训练。单卡和多卡通过运行不同脚本，支持单卡、8卡网络训练。
 
-2.  参考脚本的模型存储路径为results/1p或者results/8p，训练脚本log中包括如下信息。
+2.  参考脚本的模型存储路径为test/output，训练脚本log中包括如下信息。
 
 ```
 2020-06-20 22:25:48.893067: I tf_adapter/kernels/geop_npu.cc:64] BuildOutputTensorInfo, num_outputs:1
diff --git a/TensorFlow/built-in/cv/image_classification/InceptionV2_ID0670_for_TensorFlow/README.md b/TensorFlow/built-in/cv/image_classification/InceptionV2_ID0670_for_TensorFlow/README.md
index 1e4d6067f65112563e1d9ab8275d395e1b17c4f9..139bf74c8d742e8d57c1a6785ee6d01f7121b03b 100644
--- a/TensorFlow/built-in/cv/image_classification/InceptionV2_ID0670_for_TensorFlow/README.md
+++ b/TensorFlow/built-in/cv/image_classification/InceptionV2_ID0670_for_TensorFlow/README.md
@@ -150,21 +150,32 @@ InceptionV4是2016年提出的Inception系列网络的第四个版本，随着Re
 
           [Ascend 910训练平台环境变量设置](https://gitee.com/ascend/ModelZoo-TensorFlow/wikis/01.%E8%AE%AD%E7%BB%83%E8%84%9A%E6%9C%AC%E8%BF%81%E7%A7%BB%E6%A1%88%E4%BE%8B/Ascend%20910%E8%AE%AD%E7%BB%83%E5%B9%B3%E5%8F%B0%E7%8E%AF%E5%A2%83%E5%8F%98%E9%87%8F%E8%AE%BE%E7%BD%AE)
     
-    2. 单卡训练 
+    2. 单卡性能训练 
 
         2.1 单p指令如下:
         cd test;
         bash train_performance_1p.sh --data_path=/path/to/data
 
-    3. 8卡训练  
+    3. 8卡性能训练  
     
         3.1 8p指令如下: 
         cd test;
         bash train_performance_8p.sh --data_path=/path/to/data
         
-        3.1 8p 绑核指令如下:
+        3.2 8p 绑核指令如下:
         cd test;
-        train_performance_8p.sh --bind_core=1 --data_path=/path/to/data
+        bash train_performance_8p.sh --bind_core=1 --data_path=/path/to/data
+
+    4. 单卡精度训练
+        4.1 单p指令如下: 
+        cd test;
+        bash train_full_1p.sh --data_path=/path/to/data
+
+    5. 8卡精度训练
+        5.1 8p指令如下: 
+        cd test;
+        bash train_full_8p.sh --data_path=/path/to/data
+
    
 -  验证。
 
@@ -173,7 +184,7 @@ InceptionV4是2016年提出的Inception系列网络的第四个版本，随着Re
        
         ```
         --mode=evaluate  
-        --data_dir=/opt/npu/imagenet_data
+        --eval_dir=${cur_path}/output/$ASCEND_DEVICE_ID/ckpt
         ```
 
 
@@ -302,9 +313,9 @@ InceptionV4是2016年提出的Inception系列网络的第四个版本，随着Re
 ## 训练过程<a name="section1589455252218"></a>
 
 1. 通过“模型训练”中的训练指令启动单卡或者多卡训练。单卡和多卡通过运行不同脚本，支持单卡，8卡网络训练。 
-2. 将训练脚本（train_1p.sh,train_8p.sh）中的data_dir设置为训练数据集的路径。具体的流程参见“模型训练”的示例。 
-3. 模型存储路径为“results/1p”或者“results/8p”，包括训练的log以及checkpoints文件。
-4. 以单卡训练为例，loss信息在文件results/1p/0/model/inception_v3.log中，示例如下。 
+2. 具体的流程参见“模型训练”的示例。 
+3. 模型存储路径为“test/output”，包括训练的log以及checkpoints文件。
+4. 以单卡训练为例，loss信息在文件test/output/0/train_0.log中，示例如下。 
 
 ```
 step: 12100 epoch: 1.2 FPS: 469.5 loss: 4.676 total_loss: 5.051 lr:0.04499 
diff --git a/TensorFlow/built-in/cv/image_classification/InceptionV3_ID0504_for_TensorFlow/README.md b/TensorFlow/built-in/cv/image_classification/InceptionV3_ID0504_for_TensorFlow/README.md
index cdacdb8a25f7271fc6ccbd334f67aab8e90fa468..7e8cd5db5318cf9719473efb3d7344f85367301c 100644
--- a/TensorFlow/built-in/cv/image_classification/InceptionV3_ID0504_for_TensorFlow/README.md
+++ b/TensorFlow/built-in/cv/image_classification/InceptionV3_ID0504_for_TensorFlow/README.md
@@ -150,21 +150,31 @@ InceptionV4是2016年提出的Inception系列网络的第四个版本，随着Re
 
           [Ascend 910训练平台环境变量设置](https://gitee.com/ascend/ModelZoo-TensorFlow/wikis/01.%E8%AE%AD%E7%BB%83%E8%84%9A%E6%9C%AC%E8%BF%81%E7%A7%BB%E6%A1%88%E4%BE%8B/Ascend%20910%E8%AE%AD%E7%BB%83%E5%B9%B3%E5%8F%B0%E7%8E%AF%E5%A2%83%E5%8F%98%E9%87%8F%E8%AE%BE%E7%BD%AE)
     
-    2. 单卡训练 
+    2. 单卡性能训练 
 
         2.1 单p指令如下:
         cd test;
         bash train_performance_1p.sh --data_path=/path/to/data
 
-    3. 8卡训练  
+    3. 8卡性能训练  
     
         3.1 8p指令如下: 
         cd test;
         bash train_performance_8p.sh --data_path=/path/to/data
         
-        3.1 8p 绑核指令如下:
+        3.2 8p 绑核指令如下:
         cd test;
-        train_performance_8p.sh --bind_core=1 --data_path=/path/to/data
+        bash train_performance_8p.sh --bind_core=1 --data_path=/path/to/data
+
+    4. 单卡精度训练
+        4.1 单p指令如下:
+        cd test;
+        bash train_full_1p.sh --data_path=/path/to/data
+
+    5. 8卡精度训练
+        5.1 8p指令如下:
+        cd test;
+        bash train_full_8p.sh --data_path=/path/to/data
    
 -  验证。
 
@@ -173,7 +183,7 @@ InceptionV4是2016年提出的Inception系列网络的第四个版本，随着Re
        
         ```
         --mode=evaluate  
-        --data_dir=/opt/npu/imagenet_data
+        --eval_dir=${cur_path}/output/$ASCEND_DEVICE_ID/ckpt
         ```
 
 
@@ -299,9 +309,9 @@ InceptionV4是2016年提出的Inception系列网络的第四个版本，随着Re
 #### 训练过程<a name="section1589455252218"></a>
 
 1. 通过“模型训练”中的训练指令启动单卡或者多卡训练。单卡和多卡通过运行不同脚本，支持单卡，8卡网络训练。 
-2. 将训练脚本（train_1p.sh,train_8p.sh）中的data_dir设置为训练数据集的路径。具体的流程参见“模型训练”的示例。 
-3. 模型存储路径为“results/1p”或者“results/8p”，包括训练的log以及checkpoints文件。
-4. 以单卡训练为例，loss信息在文件results/1p/0/model/inception_v3.log中，示例如下。 
+2. 具体的流程参见“模型训练”的示例。 
+3. 模型存储路径为“test/output”，包括训练的log以及checkpoints文件。
+4. 以单卡训练为例，loss信息在文件test/output/0/train_0.log中，示例如下。 
 
 ```
 step: 12100 epoch: 1.2 FPS: 469.5 loss: 4.676 total_loss: 5.051 lr:0.04499 
diff --git a/TensorFlow/built-in/cv/image_classification/InceptionV4_ID0002_for_TensorFlow/README.md b/TensorFlow/built-in/cv/image_classification/InceptionV4_ID0002_for_TensorFlow/README.md
index db7fd74727084f5130f4edc2a0b24f8284a7f8bc..7bd4a07f2d88980faae8edee04507cd520d78406 100644
--- a/TensorFlow/built-in/cv/image_classification/InceptionV4_ID0002_for_TensorFlow/README.md
+++ b/TensorFlow/built-in/cv/image_classification/InceptionV4_ID0002_for_TensorFlow/README.md
@@ -149,21 +149,31 @@ InceptionV4是2016年提出的Inception系列网络的第四个版本，随着Re
 
           [Ascend 910训练平台环境变量设置](https://gitee.com/ascend/ModelZoo-TensorFlow/wikis/01.%E8%AE%AD%E7%BB%83%E8%84%9A%E6%9C%AC%E8%BF%81%E7%A7%BB%E6%A1%88%E4%BE%8B/Ascend%20910%E8%AE%AD%E7%BB%83%E5%B9%B3%E5%8F%B0%E7%8E%AF%E5%A2%83%E5%8F%98%E9%87%8F%E8%AE%BE%E7%BD%AE)
     
-    2. 单卡训练 
+    2. 单卡性能训练 
 
         2.1 单p指令如下:
         cd test;
         bash train_performance_1p.sh --data_path=/path/to/data
 
-    3. 8卡训练  
+    3. 8卡性能训练  
     
         3.1 8p指令如下: 
         cd test;
         bash train_performance_8p.sh --data_path=/path/to/data
         
-        3.1 8p 绑核指令如下:
+        3.2 8p 绑核指令如下:
         cd test;
-        train_performance_8p.sh --bind_core=1 --data_path=/path/to/data
+        bash train_performance_8p.sh --bind_core=1 --data_path=/path/to/data
+
+    4. 单卡精度训练 
+        4.1 单p指令如下:
+        cd test;
+        bash train_full_1p.sh --data_path=/path/to/data
+
+    5.8卡精度训练
+        5.1 8p指令如下: 
+        cd test;
+        bash train_full_8p.sh --data_path=/path/to/data
    
 -  验证。
 
@@ -172,7 +182,7 @@ InceptionV4是2016年提出的Inception系列网络的第四个版本，随着Re
        
         ```
         --mode=evaluate  
-        --eval_dir=${dname}/scripts/result/8p/2/model 
+        --eval_dir=${cur_path}/output/$ASCEND_DEVICE_ID/ckpt 
         ```
 
 
@@ -301,9 +311,9 @@ InceptionV4是2016年提出的Inception系列网络的第四个版本，随着Re
 ## 训练过程<a name="section1589455252218"></a>
 
 1. 通过“模型训练”中的训练指令启动单卡或者多卡训练。单卡和多卡通过运行不同脚本，支持单卡，8卡网络训练。 
-2. 将训练脚本（train_1p.sh,train_8p.sh）中的data_dir设置为训练数据集的路径。具体的流程参见“模型训练”的示例。 
-3. 模型存储路径为“results/1p”或者“results/8p”，包括训练的log以及checkpoints文件。
-4. 以单卡训练为例，loss信息在文件results/1p/0/model/inception_v4.log中，示例如下。 
+2. 具体的流程参见“模型训练”的示例。 
+3. 模型存储路径为test/output，包括训练的log以及checkpoints文件。
+4. 以单卡训练为例，loss信息在文件test/output/0/train_0.log中，示例如下。 
 
 ```
 step: 12100 epoch: 1.2 FPS: 469.5 loss: 4.676 total_loss: 5.051 lr:0.04499