diff --git a/docs/duo/application-development/tpu/tpu-densenet.md b/docs/duo/application-development/tpu/tpu-densenet.md
new file mode 100644
index 00000000..fc9d22a0
--- /dev/null
+++ b/docs/duo/application-development/tpu/tpu-densenet.md
@@ -0,0 +1,7 @@
+---
+sidebar_label: 'Densenet Image Classification'
+sidebar_position: 39
+---
+
+# Image Classification Based on Densenet
+
diff --git a/docs/duo/application-development/tpu/tpu-googlenet.md b/docs/duo/application-development/tpu/tpu-googlenet.md
new file mode 100644
index 00000000..a0542c19
--- /dev/null
+++ b/docs/duo/application-development/tpu/tpu-googlenet.md
@@ -0,0 +1,7 @@
+---
+sidebar_label: 'Googlenet Image Classification'
+sidebar_position: 37
+---
+
+# Image Classification Based on Googlenet
+
diff --git a/docs/duo/application-development/tpu/tpu-resnet18.md b/docs/duo/application-development/tpu/tpu-resnet18.md
new file mode 100644
index 00000000..7d27f891
--- /dev/null
+++ b/docs/duo/application-development/tpu/tpu-resnet18.md
@@ -0,0 +1,7 @@
+---
+sidebar_label: 'Resnet18 Image Classification'
+sidebar_position: 40
+---
+
+# Image Classification Based on Resnet18
+
diff --git a/docs/duo/application-development/tpu/tpu-squeezenet.md b/docs/duo/application-development/tpu/tpu-squeezenet.md
new file mode 100644
index 00000000..d1a3e518
--- /dev/null
+++ b/docs/duo/application-development/tpu/tpu-squeezenet.md
@@ -0,0 +1,7 @@
+---
+sidebar_label: 'Squeezenet Image Classification'
+sidebar_position: 38
+---
+
+# Image Classification Based on Squeezenet
+
diff --git a/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-densenet.md b/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-densenet.md
new file mode 100644
index 00000000..006335fd
--- /dev/null
+++ b/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-densenet.md
@@ -0,0 +1,221 @@
+---
+sidebar_label: '基于Densenet的图像分类'
+sidebar_position: 39
+---
+
+# 基于 Densenet 的图像分类
+
+## 1. 配置 Docker 开发环境
+
+参考 [这里](https://milkv.io/zh/docs/duo/application-development/tpu/tpu-docker) 配置好 Docker 开发环境后，再回到这里继续下一步
+
+## 2. 在 Docker 中准备工作目录
+
+创建并进入 `densenet121` 工作目录，注意是与 `tpu-mlir_*` 同级的目录
+```
+# mkdir densenet121 && cd densenet121
+```
+
+获取原始模型
+```
+# wget https://github.com/onnx/models/raw/main/vision/classification/densenet-121/model/densenet-12.tar.gz
+```
+将 `densenet-12.tar.gz` 解压
+```
+# tar -zxvf densenet-12.tar.gz
+```
+解压后会在当前目录生成 `densenet-12` 文件夹，该文件夹下包含有 `densenet-12.onnx` 模型文件
+
+拷贝测试图片:
+```
+# cp -rf ${TPUC_ROOT}/regression/dataset/ILSVRC2012/ .
+# cp -rf ${TPUC_ROOT}/regression/image/ .
+```
+这里的 `${TPUC_ROOT}` 是环境变量，对应 `tpu-mlir_*` 目录，是在前面配置 Docker 开发环境中 `source ./tpu-mlir_*/envsetup.sh` 这一步加载的
+
+创建并进入 `work` 工作目录，用于存放编译生成的 MLIR、cvimodel 等文件
+```
+# mkdir work && cd work
+```
+
+## 3. ONNX 模型转换
+
+:::tip
+Duo 开发板搭载的是 CV1800B 芯片，该芯片支持 **ONNX 系列** 和 **Caffe 模型**，目前不支持 TFLite 模型。在量化数据类型方面，支持 **BF16 格式的量化** 和 **INT8 格式的非对称量化**
+:::
+
+模型转换步骤如下：
+- ONNX 模型转换成 MLIR
+- 生成量化需要的校准表
+- MLIR 量化成 INT8 非对称 cvimodel
+
+###  ONNX 模型转换成 MLIR
+
+本例中的模型是 BGR 输入, `mean` 和 `scale` 分别为 `123.675`,`116.28`,`103.53` 和 `0.0171`,`0.0175`,`0.0174`
+
+将 ONNX 模型转换为 MLIR 模型的命令如下:
+```
+model_transform.py \
+ --model_name densenet121 \
+ --model_def ../densenet-12/densenet-12.onnx \
+ --test_input ../image/cat.jpg \
+ --input_shapes [[1,3,224,224]] \
+ --resize_dims 256,256 \
+ --mean 123.675,116.28,103.53 \
+ --scale 0.0171,0.0175,0.0174 \
+ --pixel_format rgb \
+ --test_result densenet121_top_outputs.npz \
+ --mlir densenet121.mlir
+```
+
+运行成功效果示例
+
+![duo](/docs/duo/tpu/duo-tpu-densenet_05.png)
+
+转成 MLIR 模型后，会生成一个 `densenet121.mlir` 文件，该文件即为 MLIR 模型文件，还会生成一个 `densenet121_in_f32.npz` 文件和一个 `densenet121_top_outputs.npz` 文件，是后续转模型的输入文件
+
+![duo](/docs/duo/tpu/duo-tpu-densenet_06.png)
+
+### MLIR 转 INT8 模型
+
+#### 生成量化需要的校准表
+
+在转 INT8 模型之前需要先生成校准表，这里用现有的 100 张来自 ILSVRC2012 的图片举例，执行 calibration 命令：
+```
+run_calibration.py densenet121.mlir \
+ --dataset ../ILSVRC2012 \
+ --input_num 100 \
+ -o densenet121_cali_table
+```
+
+运行成功效果示例
+
+![duo](/docs/duo/tpu/duo-tpu-densenet_07.png)
+
+运行完成后会生成名为 `densenet121_cali_table` 的文件, 该文件用于后续编译 INT8 模型的输入文件
+
+![duo](/docs/duo/tpu/duo-tpu-densenet_08.png)
+
+#### MLIR 量化成 INT8 非对称 cvimodel
+
+将  MLIR 模型转换为 INT8 模型的命令如下:
+```
+model_deploy.py \
+ --mlir densenet121.mlir \
+ --quantize INT8 \
+ --calibration_table densenet121_cali_table \
+ --chip cv180x \
+ --test_input ../image/cat.jpg \
+ --test_reference densenet121_top_outputs.npz \
+ --compare_all \
+ --fuse_preprocess \
+ --model densenet121_cv180x_int8_fuse.cvimodel
+```
+
+运行成功效果示例
+
+![duo](/docs/duo/tpu/duo-tpu-densenet_09.png)
+
+编译完成后, 会生成名为 `densenet121_cv180x_int8_fuse.cvimodel` 的文件
+
+![duo](/docs/duo/tpu/duo-tpu-densenet_10.png)
+
+## 4. 在 Duo 开发板上进行验证
+
+### 连接 Duo 开发板
+
+根据前面的教程完成 Duo 开发板与电脑的连接，并使用 `mobaxterm` 或 `Xshell` 等工具开启终端操作 Duo 开发板
+
+### 获取 cvitek_tpu_sdk
+
+1. 从 MEGA 下载
+
+   [下载地址](https://mega.nz/folder/yZghQA4R#aZkbTwJb7Ji5LvAWIuBtag)
+
+   包名: `cvitek_tpu_sdk_cv180x_musl_riscv64_rvv.tar.gz`
+
+2. 从 ftp 服务器下载
+
+   ```
+   sftp://218.17.249.213
+   username: cvitek_mlir_2023
+   password: 7&2Wd%cu5k
+   ```
+   如果文件未找到，可以到 backup 目录中找一下，可能更新版本后旧版本的包被放到 backup 目录
+
+下载完成后，通过 Windows 终端拷贝到 Docker 中
+```
+docker cp C:\Users\Carbon\Duo-TPU\cvitek_tpu_sdk_cv180x_musl_riscv64_rvv.tar.gz  DuoTPU:/workspace/
+```
+
+并在 Docker 中进行解压
+```
+# cd /workspace
+# tar -zxvf cvitek_tpu_sdk_cv180x_musl_riscv64_rvv.tar.gz
+```
+
+解压完成后会生成`cvitek_tpu_sdk`文件夹
+
+### 将开发工具包和模型文件拷贝到开发板上
+
+在 duo 开发板的终端中，新建文件目录 `/mnt/tpu/`
+```
+# mkdir -p /mnt/tpu && cd /mnt/tpu
+```
+
+在 Docker 的终端中，将开发工具包和模型文件拷贝到开发板上
+```
+# scp -r /workspace/cvitek_tpu_sdk root@192.168.42.1:/mnt/tpu/
+# scp /workspace/densenet121/work/densenet121_cv180x_int8_fuse.cvimodel root@192.168.42.1:/mnt/tpu/cvitek_tpu_sdk/
+```
+
+### 设置环境变量
+
+在 Duo 开发板的终端中，进行环境变量的设置
+```
+# cd /mnt/tpu/cvitek_tpu_sdk
+# source ./envs_tpu_sdk.sh
+```
+
+### 进行图像分类测试
+
+在 Duo 开发板上，对该图像进行分类
+
+![duo](/docs/duo/tpu/duo-tpu-cat.jpg)
+
+在 Duo 开发板的终端中，使用 `densenet121_cv180x_int8_fuse.cvimodel` 模型进行图像分类:
+```
+./samples/bin/cvi_sample_classifier_fused_preprocess \
+ ./densenet121_cv180x_int8_fuse.cvimodel \
+ ./samples/data/cat.jpg \
+ ./samples/data/synset_words.txt
+```
+
+分类成功结果示例
+
+![duo](/docs/duo/tpu/duo-tpu-densenet_11.png)
+
+## 5. 附录
+
+正文涉及到的文件总结如下
+
+- TPU-MLIR 模型转换工具：tpu-mlir_v1.3.228-g19ca95e9-20230921.tar.gz
+- TPU SDK 开发工具包：cvitek_tpu_sdk_cv180x_musl_riscv64_rvv.tar.gz
+- （附）Sample 测试例程源码：cvitek_tpu_samples.tar.gz
+- （附）转换好的 cvimodel 包：cvimodel_samples_cv180x.tar.gz
+
+正文提到的 TPU 开发所需的包文件可在下面 sftp 站点获取，或者从 [MEGA](https://mega.nz/folder/yZghQA4R#aZkbTwJb7Ji5LvAWIuBtag) 下载
+```
+sftp://218.17.249.213
+user: cvitek_mlir_2023
+password: 7&2Wd%cu5k
+```
+
+使用 WinSCP 登陆 sftp 站点后的界面
+
+![duo](/docs/duo/tpu/duo-tpu-sftp.png)
+
+注意：
+1. sample 目录下的 samples_extra 提供了更多 samples 脚本，但其中 cvimodel 名字已经硬编码在其中，如想使用脚本运行，需要自行修改 cvimodel 名字
+2. 此小节介绍的是使用预编译好的 sample 程序对转换好的 cvimodel 进行部署测试，如果开发者有兴趣对 samples 源码进行编码和交叉编译，请参考官网 [TPU-MLIR文档](https://doc.sophgo.com/sdk-docs/v23.05.01/docs_latest_release/docs/tpu-mlir/quick_start/html/10_cv18xx_guide.html#runtime-sample) 中的第9章《CV18xx芯片使用指南》中的
+第3小节 "编译和运行runtime sample" 内容
diff --git a/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-googlenet.md b/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-googlenet.md
new file mode 100644
index 00000000..dfae6908
--- /dev/null
+++ b/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-googlenet.md
@@ -0,0 +1,244 @@
+---
+sidebar_label: '基于Googlenet的图像分类'
+sidebar_position: 37
+---
+
+# 基于 Googlenet 的图像分类
+
+## 1. 配置 Docker 开发环境
+
+参考 [这里](https://milkv.io/zh/docs/duo/application-development/tpu/tpu-docker) 配置好 Docker 开发环境后，再回到这里继续下一步
+
+## 2. 在 Docker 中准备工作目录
+
+创建并进入 `googlenet` 工作目录，注意是与 `tpu-mlir_*` 同级的目录
+```
+# mkdir googlenet && cd googlenet
+```
+
+获取原始模型
+```
+wget https://github.com/onnx/models/raw/main/vision/classification/inception_and_googlenet/googlenet/model/googlenet-12.onnx
+```
+
+拷贝测试图片:
+```
+# cp -rf ${TPUC_ROOT}/regression/dataset/ILSVRC2012/ .
+# cp -rf ${TPUC_ROOT}/regression/image/ .
+```
+这里的 `${TPUC_ROOT}` 是环境变量，对应 `tpu-mlir_*` 目录，是在前面配置 Docker 开发环境中 `source ./tpu-mlir_*/envsetup.sh` 这一步加载的
+
+创建并进入 `work` 工作目录，用于存放编译生成的 MLIR、cvimodel 等文件
+```
+# mkdir work && cd work
+```
+
+## 3. ONNX 模型转换
+
+:::tip
+Duo 开发板搭载的是 CV1800B 芯片，该芯片支持 **ONNX 系列** 和 **Caffe 模型**，目前不支持 TFLite 模型。在量化数据类型方面，支持 **BF16 格式的量化** 和 **INT8 格式的非对称量化**
+:::
+
+###  ONNX 模型转换成 MLIR
+
+本例中的模型是 BGR 输入, `mean` 和 `scale` 分别为 `123.675`,`116.28`,`103.53` 和 `0.0171`,`0.0175`,`0.0174`，模型转换命令如下:
+```
+model_transform.py \
+ --model_name googlenet \
+ --model_def ../googlenet-12.onnx \
+ --test_input ../image/cat.jpg \
+ --input_shapes [[1,3,224,224]] \
+ --resize_dims 256,256 \
+ --mean 123.675,116.28,103.53 \
+ --scale 0.0171,0.0175,0.0174 \
+ --pixel_format rgb \
+ --test_result googlenet_top_outputs.npz \
+ --mlir googlenet.mlir
+```
+
+运行成功效果示例
+
+![duo](/docs/duo/tpu/duo-tpu-googlenet_05.png)
+
+转成 MLIR 模型后，会生成一个 `googlenet.mlir` 文件，该文件即为 MLIR 模型文件，还会生成一个 `googlenet_in_f32.npz` 文件和一个 `googlenet_top_outputs.npz` 文件，是后续转模型的输入文件
+
+![duo](/docs/duo/tpu/duo-tpu-googlenet_06.png)
+
+### MLIR 转 BF16 模型
+
+将 MLIR 模型转换为 BF16 模型的命令如下
+```
+model_deploy.py \
+ --mlir googlenet.mlir \
+ --quantize BF16 \
+ --chip cv180x \
+ --test_input googlenet_in_f32.npz \
+ --test_reference googlenet_top_outputs.npz \
+ --model googlenet_cv180x_bf16.cvimodel
+```
+
+运行成功效果示例
+
+![duo](/docs/duo/tpu/duo-tpu-googlenet_07.png)
+
+编译完成后，会生成 `googlenet_cv180x_bf16.cvimodel` 文件
+
+![duo](/docs/duo/tpu/duo-tpu-googlenet_08.png)
+
+### MLIR 转 INT8 模型
+
+#### 生成量化需要的校准表
+
+运行 `run_calibration.py` 得到校准表，输入数据的数量根据情况准备 100~1000 张左右。 这里用现有的 100 张来自 ILSVRC2012 的图片举例，执行 calibration 命令：
+```
+run_calibration.py googlenet.mlir \
+ --dataset ../ILSVRC2012 \
+ --input_num 100 \
+ -o googlenet_cali_table
+```
+
+运行成功效果示例
+
+![duo](/docs/duo/tpu/duo-tpu-googlenet_09.png)
+
+运行完成后会生成名为 `googlenet_cali_table` 的文件, 该文件用于后续编译 INT8 模型的输入文件
+
+![duo](/docs/duo/tpu/duo-tpu-googlenet_10.png)
+
+#### MLIR 量化成 INT8 非对称 cvimodel
+
+将 MLIR 模型转换为 INT8 模型的命令如下:
+```
+model_deploy.py \
+ --mlir googlenet.mlir \
+ --quantize INT8 \
+ --calibration_table googlenet_cali_table \
+ --chip cv180x \
+ --test_input ../image/cat.jpg \
+ --test_reference googlenet_top_outputs.npz \
+ --compare_all \
+ --fuse_preprocess \
+ --model googlenet_cv180x_int8_fuse.cvimodel
+```
+
+运行成功效果示例
+
+![duo](/docs/duo/tpu/duo-tpu-googlenet_11.png)
+
+编译完成后, 会生成名为 `googlenet_cv180x_int8_fuse.cvimodel` 的文件
+
+![duo](/docs/duo/tpu/duo-tpu-googlenet_12.png)
+
+## 4. 在 Duo 开发板上进行验证
+
+### 连接 Duo 开发板
+
+根据前面的教程完成 Duo 开发板与电脑的连接，并使用 `mobaxterm` 或 `Xshell` 等工具开启终端操作 Duo 开发板
+
+### 获取 cvitek_tpu_sdk
+
+1. 从 MEGA 下载
+
+   [下载地址](https://mega.nz/folder/yZghQA4R#aZkbTwJb7Ji5LvAWIuBtag)
+
+   包名: `cvitek_tpu_sdk_cv180x_musl_riscv64_rvv.tar.gz`
+
+2. 从 ftp 服务器下载
+
+   ```
+   sftp://218.17.249.213
+   username: cvitek_mlir_2023
+   password: 7&2Wd%cu5k
+   ```
+   如果文件未找到，可以到 backup 目录中找一下，可能更新版本后旧版本的包被放到 backup 目录
+
+下载完成后，通过 Windows 终端拷贝到 Docker 中
+```
+docker cp C:\Users\Carbon\Duo-TPU\cvitek_tpu_sdk_cv180x_musl_riscv64_rvv.tar.gz  DuoTPU:/workspace/
+```
+
+并在 Docker 中进行解压
+```
+# cd /workspace
+# tar -zxvf cvitek_tpu_sdk_cv180x_musl_riscv64_rvv.tar.gz
+```
+
+解压完成后会生成`cvitek_tpu_sdk`文件夹
+
+### 将开发工具包和模型文件拷贝到开发板上
+
+在 duo 开发板的终端中，新建文件目录 `/mnt/tpu/`
+```
+# mkdir -p /mnt/tpu && cd /mnt/tpu
+```
+
+在 Docker 的终端中，将开发工具包和前面生成的两个模型文件拷贝到开发板上
+```
+# scp -r /workspace/cvitek_tpu_sdk root@192.168.42.1:/mnt/tpu/
+# scp /workspace/googlenet/work/googlenet_cv180x_bf16.cvimodel root@192.168.42.1:/mnt/tpu/cvitek_tpu_sdk/
+# scp /workspace/googlenet/work/googlenet_cv180x_int8_fuse.cvimodel root@192.168.42.1:/mnt/tpu/cvitek_tpu_sdk/
+```
+
+### 设置环境变量
+
+在 Duo 开发板的终端中，进行环境变量的设置
+```
+# cd /mnt/tpu/cvitek_tpu_sdk
+# source ./envs_tpu_sdk.sh
+```
+
+### 进行图像分类测试
+
+在 Duo 开发板上，对该图像进行分类
+
+![duo](/docs/duo/tpu/duo-tpu-cat.jpg)
+
+使用 `googlenet_cv180x_bf16.cvimodel` 模型进行图像分类
+```
+./samples/bin/cvi_sample_classifier_bf16 \
+ ./googlenet_cv180x_bf16.cvimodel \
+ ./samples/data/cat.jpg \
+ ./samples/data/synset_words.txt
+```
+
+分类成功结果示例
+
+![duo](/docs/duo/tpu/duo-tpu-googlenet_13.png)
+
+使用 `googlenet_cv180x_int8_fuse.cvimodel` 模型进行图像分类
+```
+./samples/bin/cvi_sample_classifier_fused_preprocess \
+ ./googlenet_cv180x_int8_fuse.cvimodel \
+ ./samples/data/cat.jpg \
+ ./samples/data/synset_words.txt
+```
+
+分类成功结果示例
+
+![duo](/docs/duo/tpu/duo-tpu-googlenet_14.png)
+
+
+## 5. 附录
+
+正文涉及到的文件总结如下
+
+- TPU-MLIR 模型转换工具：tpu-mlir_v1.3.228-g19ca95e9-20230921.tar.gz
+- TPU SDK 开发工具包：cvitek_tpu_sdk_cv180x_musl_riscv64_rvv.tar.gz
+- （附）Sample 测试例程源码：cvitek_tpu_samples.tar.gz
+- （附）转换好的 cvimodel 包：cvimodel_samples_cv180x.tar.gz
+
+正文提到的 TPU 开发所需的包文件可在下面 sftp 站点获取，或者从 [MEGA](https://mega.nz/folder/yZghQA4R#aZkbTwJb7Ji5LvAWIuBtag) 下载
+```
+sftp://218.17.249.213
+user: cvitek_mlir_2023
+password: 7&2Wd%cu5k
+```
+
+使用 WinSCP 登陆 sftp 站点后的界面
+
+![duo](/docs/duo/tpu/duo-tpu-sftp.png)
+
+注意：
+1. sample 目录下的 samples_extra 提供了更多 samples 脚本，但其中 cvimodel 名字已经硬编码在其中，如想使用脚本运行，需要自行修改 cvimodel 名字
+2. 此小节介绍的是使用预编译好的 sample 程序对转换好的 cvimodel 进行部署测试，如果开发者有兴趣对 samples 源码进行编码和交叉编译，请参考官网 [TPU-MLIR文档](https://doc.sophgo.com/sdk-docs/v23.05.01/docs_latest_release/docs/tpu-mlir/quick_start/html/10_cv18xx_guide.html#runtime-sample) 中的第9章《CV18xx芯片使用指南》中的
+第3小节 "编译和运行runtime sample" 内容
diff --git a/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-mobilenetv2.md b/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-mobilenetv2.md
index ba1ef62e..1703393a 100644
--- a/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-mobilenetv2.md
+++ b/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-mobilenetv2.md
@@ -1,9 +1,9 @@
 ---
-sidebar_label: '基于MobileNetV2的的图像分类'
+sidebar_label: '基于MobileNetV2的图像分类'
 sidebar_position: 35
 ---
 
-# 基于 MobileNetV2 的的图像分类
+# 基于 MobileNetV2 的图像分类
 
 ## 1. 配置 Docker 开发环境
 
@@ -11,7 +11,7 @@ sidebar_position: 35
 
 ## 2. 在 Docker 中准备工作目录
 
-创建并进入 `mobilenet_v2` 工作目录，注意是与`tpu-mlir_*`同级的目录
+创建并进入 `mobilenet_v2` 工作目录，注意是与 `tpu-mlir_*` 同级的目录
 ```
 # mkdir mobilenet_v2 && cd mobilenet_v2
 ```
@@ -25,18 +25,22 @@ git clone https://github.com/shicai/MobileNet-Caffe.git
 ```
 # cp MobileNet-Caffe/mobilenet_v2_deploy.prototxt .
 # cp MobileNet-Caffe/mobilenet_v2.caffemodel .
-# cp -rf $TPUC_ROOT/regression/dataset/ILSVRC2012/ .
-# cp -rf $TPUC_ROOT/regression/image/ .
+# cp -rf ${TPUC_ROOT}/regression/dataset/ILSVRC2012/ .
+# cp -rf ${TPUC_ROOT}/regression/image/ .
 ```
-这里的`$TPUC_ROOT`是环境变量，对应`tpu-mlir_*`目录，是在前面配置 Docker 开发环境中 `source ./tpu-mlir_*/envsetup.sh` 这一步加载的
+这里的 `${TPUC_ROOT}` 是环境变量，对应 `tpu-mlir_*` 目录，是在前面配置 Docker 开发环境中 `source ./tpu-mlir_*/envsetup.sh` 这一步加载的
 
-再创建名为 `work` 的工作目录，用于存放编译生成的 `MLIR`、`cvimodel` 等文件
+创建并进入 `work` 工作目录，用于存放编译生成的 `MLIR`、`cvimodel` 等文件
 ```
 # mkdir work && cd work
 ```
 
 ## 3. MobileNet-Caffe 模型转换
 
+:::tip
+Duo 开发板搭载的是 CV1800B 芯片，该芯片支持 **ONNX 系列** 和 **Caffe 模型**，目前不支持 TFLite 模型。在量化数据类型方面，支持 **BF16 格式的量化** 和 **INT8 格式的非对称量化**
+:::
+
 模型转换步骤如下：
 - Caffe 模型转换成 MLIR
 - 生成量化需要的校准表
@@ -46,7 +50,7 @@ git clone https://github.com/shicai/MobileNet-Caffe.git
 
 模型输入是图片，在转模型之前我们需要了解模型的预处理。如果模型用预处理后的 npz 文件做输入，则不需要考虑预处理。预处理过程用公式表达如下($x$代表输入): $$ y = (x-mean)\times scale $$
 
-本例中的模型是 BGR 输入, mean 和 scale 分别为 103.94,116.78,123.68 和 0.017,0.017,0.017，模型转换命令如下:
+本例中的模型是 BGR 输入, `mean` 和 `scale` 分别为 `103.94`,`116.78`,`123.68` 和 `0.017`,`0.017`,`0.017`，模型转换命令如下:
 ```
 model_transform.py \
  --model_name mobilenet_v2 \
@@ -66,11 +70,13 @@ model_transform.py \
 
 ![duo](/docs/duo/tpu/duo-tpu-mobilenetv2_05.png)
 
-转成 mlir 模型后，会生成一个`mobilenet_v2.mlir`文件，该文件即为 mlir 模型文件，还会生成一个`mobilenet_v2_in_f32.npz`文件，该文件是后续转模型的输入文件
+转成 MLIR 模型后，会生成一个 `mobilenet_v2.mlir` 文件，该文件即为 mlir 模型文件，还会生成一个 `mobilenet_v2_in_f32.npz` 文件和一个 `mobilenet_v2_top_outputs.npz` 文件，是后续转模型的输入文件
 
 ![duo](/docs/duo/tpu/duo-tpu-mobilenetv2_06.png)
 
-### 生成量化需要的校准表
+### MLIR 转 INT8 模型
+
+#### 生成量化需要的校准表
 
 运行 `run_calibration.py` 得到校准表，输入数据的数量根据情况准备 100~1000 张左右。 这里用现有的 100 张来自 ILSVRC2012 的图片举例，执行 calibration 命令：
 
@@ -89,13 +95,9 @@ run_calibration.py mobilenet_v2.mlir \
 
 ![duo](/docs/duo/tpu/duo-tpu-mobilenetv2_08.png)
 
-### MLIR 量化成 INT8 非对称 cvimodel
+#### MLIR 量化成 INT8 非对称 cvimodel
 
-:::tip
-Duo 开发板搭载的是 CV1800B 芯片，该芯片支持 **ONNX 系列** 和 **Caffe 模型**，目前不支持 TFLite 模型。在量化数据类型方面，支持 **BF16 格式的量化** 和 **INT8 格式的非对称量化**
-:::
-
-用 `model_deploy.py` 脚本参数使用 `asymmetric` 进行非对称量化 将 MLIR 文件转成 INT8 非对称量化模型:
+用 `model_deploy.py` 脚本参数使用 `asymmetric` 进行非对称量化，将 MLIR 文件转成 INT8 非对称量化模型:
 ```
 model_deploy.py \
  --mlir mobilenet_v2.mlir \
@@ -117,11 +119,11 @@ model_deploy.py \
 
 ![duo](/docs/duo/tpu/duo-tpu-mobilenetv2_10.png)
 
-## 4. 部署 INT8 cvimodel 到 Duo 开发板验证
+## 4. 在 Duo 开发板上进行验证
 
 ### 连接 Duo 开发板
 
-根据前面的教程完成duo开发板与电脑的连接，并使用`mobaxterm`或`Xshell`等工具开启终端操作 Duo 开发板
+根据前面的教程完成 Duo 开发板与电脑的连接，并使用 `mobaxterm` 或 `Xshell` 等工具开启终端操作 Duo 开发板
 
 ### 获取 cvitek_tpu_sdk
 
@@ -155,9 +157,9 @@ docker cp C:\Users\Carbon\Duo-TPU\cvitek_tpu_sdk_cv180x_musl_riscv64_rvv.tar.gz
 
 ### 将开发工具包和模型文件拷贝到开发板上
 
-在 duo 开发板的终端中，新建文件目录 /mnt/tpu/
+在 duo 开发板的终端中，新建文件目录 `/mnt/tpu/`
 ```
-$ mkdir -p /mnt/tpu && cd /mnt/tpu
+# mkdir -p /mnt/tpu && cd /mnt/tpu
 ```
 
 在 Docker 的终端中，将开发工具包和模型文件拷贝到开发板上
@@ -176,6 +178,10 @@ $ mkdir -p /mnt/tpu && cd /mnt/tpu
 
 ### 进行图像分类测试
 
+在 Duo 开发板上，对该图像进行分类
+
+![duo](/docs/duo/tpu/duo-tpu-cat.jpg)
+
 进入 samples 目录
 
 ```
@@ -189,7 +195,7 @@ $ mkdir -p /mnt/tpu && cd /mnt/tpu
 
 ![duo](/docs/duo/tpu/duo-tpu-mobilenetv2_11.png)
 
-测试
+运行图像分类测试
 ```
 ./bin/cvi_sample_classifier_fused_preprocess \
  ../mobilenet_v2_cv1800_int8_asym.cvimodel \
@@ -201,12 +207,6 @@ $ mkdir -p /mnt/tpu && cd /mnt/tpu
 
 ![duo](/docs/duo/tpu/duo-tpu-mobilenetv2_12.png)
 
-
-注意：
-1. sample 目录下的 samples_extra 提供了更多 samples 脚本，但其中 cvimodel 名字已经硬编码在其中，如想使用脚本运行，需要自行修改 cvimodel 名字
-2. 此小节介绍的是使用预编译好的 sample 程序对转换好的 cvimodel 进行部署测试，如果开发者有兴趣对 samples 源码进行编码和交叉编译，请参考官网 [TPU-MLIR文档](https://doc.sophgo.com/sdk-docs/v23.05.01/docs_latest_release/docs/tpu-mlir/quick_start/html/10_cv18xx_guide.html#runtime-sample) 中的第9章《CV18xx芯片使用指南》中的
-第3小节 "编译和运行runtime sample" 内容
-
 ## 5. 附录
 
 正文涉及到的文件总结如下
@@ -226,3 +226,8 @@ password: 7&2Wd%cu5k
 使用 WinSCP 登陆 sftp 站点后的界面
 
 ![duo](/docs/duo/tpu/duo-tpu-sftp.png)
+
+注意：
+1. sample 目录下的 samples_extra 提供了更多 samples 脚本，但其中 cvimodel 名字已经硬编码在其中，如想使用脚本运行，需要自行修改 cvimodel 名字
+2. 此小节介绍的是使用预编译好的 sample 程序对转换好的 cvimodel 进行部署测试，如果开发者有兴趣对 samples 源码进行编码和交叉编译，请参考官网 [TPU-MLIR文档](https://doc.sophgo.com/sdk-docs/v23.05.01/docs_latest_release/docs/tpu-mlir/quick_start/html/10_cv18xx_guide.html#runtime-sample) 中的第9章《CV18xx芯片使用指南》中的
+第3小节 "编译和运行runtime sample" 内容
diff --git a/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-resnet18.md b/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-resnet18.md
new file mode 100644
index 00000000..7d2d6a1b
--- /dev/null
+++ b/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-resnet18.md
@@ -0,0 +1,221 @@
+---
+sidebar_label: '基于Resnet18的图像分类'
+sidebar_position: 40
+---
+
+# 基于 Resnet18 的图像分类
+
+## 1. 配置 Docker 开发环境
+
+参考 [这里](https://milkv.io/zh/docs/duo/application-development/tpu/tpu-docker) 配置好 Docker 开发环境后，再回到这里继续下一步
+
+## 2. 在 Docker 中准备工作目录
+
+创建并进入 `resnet18` 工作目录，注意是与 `tpu-mlir_*` 同级的目录
+```
+# mkdir resnet18 && cd resnet18
+```
+
+获取原始模型
+```
+# wget https://github.com/onnx/models/raw/main/vision/classification/resnet/model/resnet18-v1-7.tar.gz
+```
+将 `resnet18-v1-7.tar.gz` 解压
+```
+# tar -zxvf resnet18-v1-7.tar.gz
+```
+解压后会在当前目录生成 `resnet18-v1-7` 文件夹，该文件夹下包含有 `resnet18-v1-7.onnx` 模型文件
+
+拷贝测试图片:
+```
+# cp -rf ${TPUC_ROOT}/regression/dataset/ILSVRC2012/ .
+# cp -rf ${TPUC_ROOT}/regression/image/ .
+```
+这里的 `${TPUC_ROOT}` 是环境变量，对应 `tpu-mlir_*` 目录，是在前面配置 Docker 开发环境中 `source ./tpu-mlir_*/envsetup.sh` 这一步加载的
+
+创建并进入 `work` 工作目录，用于存放编译生成的 MLIR、cvimodel 等文件
+```
+# mkdir work && cd work
+```
+
+## 3. ONNX 模型转换
+
+:::tip
+Duo 开发板搭载的是 CV1800B 芯片，该芯片支持 **ONNX 系列** 和 **Caffe 模型**，目前不支持 TFLite 模型。在量化数据类型方面，支持 **BF16 格式的量化** 和 **INT8 格式的非对称量化**
+:::
+
+模型转换步骤如下：
+- ONNX 模型转换成 MLIR
+- 生成量化需要的校准表
+- MLIR 量化成 INT8 非对称 cvimodel
+
+###  ONNX 模型转换成 MLIR
+
+本例中的模型是 BGR 输入, `mean` 和 `scale` 分别为 `123.675`,`116.28`,`103.53` 和 `0.0171`,`0.0175`,`0.0174`
+
+将 ONNX 模型转换为 MLIR 模型的命令如下:
+```
+model_transform.py \
+ --model_name resnet18 \
+ --model_def ../resnet18-v1-7/resnet18-v1-7.onnx \
+ --test_input ../image/cat.jpg \
+ --input_shapes [[1,3,224,224]] \
+ --resize_dims 256,256 \
+ --mean 123.675,116.28,103.53 \
+ --scale 0.0171,0.0175,0.0174 \
+ --pixel_format rgb \
+ --test_result resnet18_top_outputs.npz \
+ --mlir resnet18.mlir
+```
+
+运行成功效果示例
+
+![duo](/docs/duo/tpu/duo-tpu-resnet18_05.png)
+
+转成 MLIR 模型后，会生成一个 ` resnet18.mlir` 文件，该文件即为 MLIR 模型文件，还会生成一个 `resnet18_in_f32.npz` 文件和一个 `resnet18_top_outputs.npz` 文件，是后续转模型的输入文件
+
+![duo](/docs/duo/tpu/duo-tpu-resnet18_06.png)
+
+### MLIR 转 INT8 模型
+
+#### 生成量化需要的校准表
+
+在转 INT8 模型之前需要先生成校准表，这里用现有的 100 张来自 ILSVRC2012 的图片举例，执行 calibration 命令：
+```
+run_calibration.py resnet18.mlir \
+ --dataset ../ILSVRC2012 \
+ --input_num 100 \
+ -o resnet18_cali_table
+```
+
+运行成功效果示例
+
+![duo](/docs/duo/tpu/duo-tpu-resnet18_07.png)
+
+运行完成后会生成名为 `resnet18_cali_table` 的文件, 该文件用于后续编译 INT8 模型的输入文件
+
+![duo](/docs/duo/tpu/duo-tpu-resnet18_08.png)
+
+#### MLIR 量化成 INT8 非对称 cvimodel
+
+将  MLIR 模型转换为 INT8 模型的命令如下:
+```
+model_deploy.py \
+ --mlir resnet18.mlir \
+ --quantize INT8 \
+ --calibration_table resnet18_cali_table \
+ --chip cv180x \
+ --test_input ../image/cat.jpg \
+ --test_reference resnet18_top_outputs.npz \
+ --compare_all \
+ --fuse_preprocess \
+ --model resnet18_cv180x_int8_fuse.cvimodel
+```
+
+运行成功效果示例
+
+![duo](/docs/duo/tpu/duo-tpu-resnet18_09.png)
+
+编译完成后, 会生成名为 `resnet18_cv180x_int8_fuse.cvimodel` 的文件
+
+![duo](/docs/duo/tpu/duo-tpu-resnet18_10.png)
+
+## 4. 在 Duo 开发板上进行验证
+
+### 连接 Duo 开发板
+
+根据前面的教程完成 Duo 开发板与电脑的连接，并使用 `mobaxterm` 或 `Xshell` 等工具开启终端操作 Duo 开发板
+
+### 获取 cvitek_tpu_sdk
+
+1. 从 MEGA 下载
+
+   [下载地址](https://mega.nz/folder/yZghQA4R#aZkbTwJb7Ji5LvAWIuBtag)
+
+   包名: `cvitek_tpu_sdk_cv180x_musl_riscv64_rvv.tar.gz`
+
+2. 从 ftp 服务器下载
+
+   ```
+   sftp://218.17.249.213
+   username: cvitek_mlir_2023
+   password: 7&2Wd%cu5k
+   ```
+   如果文件未找到，可以到 backup 目录中找一下，可能更新版本后旧版本的包被放到 backup 目录
+
+下载完成后，通过 Windows 终端拷贝到 Docker 中
+```
+docker cp C:\Users\Carbon\Duo-TPU\cvitek_tpu_sdk_cv180x_musl_riscv64_rvv.tar.gz  DuoTPU:/workspace/
+```
+
+并在 Docker 中进行解压
+```
+# cd /workspace
+# tar -zxvf cvitek_tpu_sdk_cv180x_musl_riscv64_rvv.tar.gz
+```
+
+解压完成后会生成`cvitek_tpu_sdk`文件夹
+
+### 将开发工具包和模型文件拷贝到开发板上
+
+在 duo 开发板的终端中，新建文件目录 `/mnt/tpu/`
+```
+# mkdir -p /mnt/tpu && cd /mnt/tpu
+```
+
+在 Docker 的终端中，将开发工具包和模型文件拷贝到开发板上
+```
+# scp -r /workspace/cvitek_tpu_sdk root@192.168.42.1:/mnt/tpu/
+# scp /workspace/resnet18/work/resnet18_cv180x_int8_fuse.cvimodel root@192.168.42.1:/mnt/tpu/cvitek_tpu_sdk/
+```
+
+### 设置环境变量
+
+在 Duo 开发板的终端中，进行环境变量的设置
+```
+# cd /mnt/tpu/cvitek_tpu_sdk
+# source ./envs_tpu_sdk.sh
+```
+
+### 进行图像分类测试
+
+在 Duo 开发板上，对该图像进行分类
+
+![duo](/docs/duo/tpu/duo-tpu-cat.jpg)
+
+在 Duo 开发板的终端中，使用 `resnet18_cv180x_int8_fuse.cvimodel` 模型进行图像分类:
+```
+./samples/bin/cvi_sample_classifier_fused_preprocess \
+ ./resnet18_cv180x_int8_fuse.cvimodel \
+ ./samples/data/cat.jpg \
+ ./samples/data/synset_words.txt
+```
+
+分类成功结果示例
+
+![duo](/docs/duo/tpu/duo-tpu-resnet18_11.png)
+
+## 5. 附录
+
+正文涉及到的文件总结如下
+
+- TPU-MLIR 模型转换工具：tpu-mlir_v1.3.228-g19ca95e9-20230921.tar.gz
+- TPU SDK 开发工具包：cvitek_tpu_sdk_cv180x_musl_riscv64_rvv.tar.gz
+- （附）Sample 测试例程源码：cvitek_tpu_samples.tar.gz
+- （附）转换好的 cvimodel 包：cvimodel_samples_cv180x.tar.gz
+
+正文提到的 TPU 开发所需的包文件可在下面 sftp 站点获取，或者从 [MEGA](https://mega.nz/folder/yZghQA4R#aZkbTwJb7Ji5LvAWIuBtag) 下载
+```
+sftp://218.17.249.213
+user: cvitek_mlir_2023
+password: 7&2Wd%cu5k
+```
+
+使用 WinSCP 登陆 sftp 站点后的界面
+
+![duo](/docs/duo/tpu/duo-tpu-sftp.png)
+
+注意：
+1. sample 目录下的 samples_extra 提供了更多 samples 脚本，但其中 cvimodel 名字已经硬编码在其中，如想使用脚本运行，需要自行修改 cvimodel 名字
+2. 此小节介绍的是使用预编译好的 sample 程序对转换好的 cvimodel 进行部署测试，如果开发者有兴趣对 samples 源码进行编码和交叉编译，请参考官网 [TPU-MLIR文档](https://doc.sophgo.com/sdk-docs/v23.05.01/docs_latest_release/docs/tpu-mlir/quick_start/html/10_cv18xx_guide.html#runtime-sample) 中的第9章《CV18xx芯片使用指南》中的
+第3小节 "编译和运行runtime sample" 内容
diff --git a/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-shufflenetv2.md b/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-shufflenetv2.md
index 371a5efa..dc18fbdd 100644
--- a/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-shufflenetv2.md
+++ b/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-shufflenetv2.md
@@ -1,5 +1,5 @@
 ---
-sidebar_label: '基于ShuffleNetV2的的图像分类'
+sidebar_label: '基于ShuffleNetV2的图像分类'
 sidebar_position: 36
 ---
 
@@ -11,17 +11,17 @@ sidebar_position: 36
 
 ## 2. 在 Docker 中准备工作目录
 
-创建并进入 `shufflenet_v2` 工作目录，注意是与`tpu-mlir_*`同级的目录
+创建并进入 `shufflenet_v2` 工作目录，注意是与 `tpu-mlir_*` 同级的目录
 ```
 # mkdir shufflenet_v2 && cd shufflenet_v2
 ```
 
 拷贝测试图片:
 ```
-cp -rf ${TPUC_ROOT}/regression/dataset/ILSVRC2012/ .
-cp -rf ${TPUC_ROOT}/regression/image/ .
+# cp -rf ${TPUC_ROOT}/regression/dataset/ILSVRC2012/ .
+# cp -rf ${TPUC_ROOT}/regression/image/ .
 ```
-这里的`$TPUC_ROOT`是环境变量，对应`tpu-mlir_*`目录，是在前面配置 Docker 开发环境中 `source ./tpu-mlir_*/envsetup.sh` 这一步加载的
+这里的 `${TPUC_ROOT}` 是环境变量，对应 `tpu-mlir_*` 目录，是在前面配置 Docker 开发环境中 `source ./tpu-mlir_*/envsetup.sh` 这一步加载的
 
 创建名为 `export.py` 文件，并在文件中写入如下代码：
 ```
@@ -50,6 +50,10 @@ python export.py
 
 ## 3. ShuffleNetV2-PyTorch 模型转换
 
+:::tip
+Duo 开发板搭载的是 CV1800B 芯片，该芯片支持 **ONNX 系列** 和 **Caffe 模型**，目前不支持 TFLite 模型。在量化数据类型方面，支持 **BF16 格式的量化** 和 **INT8 格式的非对称量化**
+:::
+
 模型转换步骤如下：
 - PyTorch 模型转换成 MLIR
 - 生成量化需要的校准表
@@ -59,7 +63,7 @@ python export.py
 
 模型输入是图片，在转模型之前我们需要了解模型的预处理。如果模型用预处理后的 npz 文件做输入，则不需要考虑预处理。预处理过程用公式表达如下($x$代表输入): $$ y = (x-mean)\times scale $$
 
-本例中的模型是 BGR 输入, mean 和 scale 分别为 103.94,116.78,123.68 和 0.017,0.017,0.017，模型转换命令如下:
+本例中的模型是 BGR 输入, `mean` 和 `scale` 分别为 `103.94`,`116.78`,`123.68` 和 `0.017`,`0.017`,`0.017`，模型转换命令如下:
 ```
 model_transform.py \
  --model_name shufflenet_v2 \
@@ -78,11 +82,13 @@ model_transform.py \
 
 ![duo](/docs/duo/tpu/duo-tpu-shufflenetv2_06.png)
 
-转成 mlir 模型后，会生成一个`shufflenet_v2.mlir`文件，该文件即为 MLIR 模型文件，还会生成一个`shufflenet_v2_in_f32.npz`文件，该文件是后续转模型的输入文件
+转成 MLIR 模型后，会生成一个 `shufflenet_v2.mlir` 文件，该文件即为 MLIR 模型文件，还会生成一个 `shufflenet_v2_in_f32.npz` 文件和一个 `shufflenet_v2_top_outputs.npz` 文件，是后续转模型的输入文件
 
 ![duo](/docs/duo/tpu/duo-tpu-shufflenetv2_07.png)
 
-### 生成量化需要的校准表
+### MLIR 转 INT8 模型
+
+#### 生成量化需要的校准表
 
 运行 `run_calibration.py` 得到校准表，输入数据的数量根据情况准备 100~1000 张左右。 这里用现有的 100 张来自 ILSVRC2012 的图片举例，执行 calibration 命令：
 ```
@@ -100,11 +106,7 @@ run_calibration.py shufflenet_v2.mlir \
 
 ![duo](/docs/duo/tpu/duo-tpu-shufflenetv2_09.png)
 
-### MLIR 量化成 INT8 非对称 cvimodel
-
-:::tip
-Duo 开发板搭载的是 CV1800B 芯片，该芯片支持 **ONNX 系列** 和 **Caffe 模型**，目前不支持 TFLite 模型。在量化数据类型方面，支持 **BF16 格式的量化** 和 **INT8 格式的非对称量化**
-:::
+#### MLIR 量化成 INT8 非对称 cvimodel
 
 用 `model_deploy.py` 脚本参数使用 `asymmetric` 进行非对称量化 将 MLIR 文件转成 INT8 非对称量化模型:
 ```
@@ -129,11 +131,11 @@ model_deploy.py \
 
 ![duo](/docs/duo/tpu/duo-tpu-shufflenetv2_11.png)
 
-## 4. 部署 INT8 cvimodel 到 Duo 开发板验证
+## 4. 在 Duo 开发板上进行验证
 
 ### 连接 Duo 开发板
 
-根据前面的教程完成duo开发板与电脑的连接，并使用`mobaxterm`或`Xshell`等工具开启终端操作 Duo 开发板
+根据前面的教程完成 Duo 开发板与电脑的连接，并使用 `mobaxterm` 或 `Xshell` 等工具开启终端操作 Duo 开发板
 
 ### 获取 cvitek_tpu_sdk
 
@@ -167,9 +169,9 @@ docker cp C:\Users\Carbon\Duo-TPU\cvitek_tpu_sdk_cv180x_musl_riscv64_rvv.tar.gz
 
 ### 将开发工具包和模型文件拷贝到开发板上
 
-在 duo 开发板的终端中，新建文件目录 /mnt/tpu/
+在 duo 开发板的终端中，新建文件目录 `/mnt/tpu/`
 ```
-$ mkdir -p /mnt/tpu && cd /mnt/tpu
+# mkdir -p /mnt/tpu && cd /mnt/tpu
 ```
 
 在 Docker 的终端中，将开发工具包和模型文件拷贝到开发板上
@@ -188,6 +190,10 @@ $ mkdir -p /mnt/tpu && cd /mnt/tpu
 
 ### 进行图像分类测试
 
+在 Duo 开发板上，对该图像进行分类
+
+![duo](/docs/duo/tpu/duo-tpu-cat.jpg)
+
 进入 samples 目录
 
 ```
@@ -201,7 +207,7 @@ $ mkdir -p /mnt/tpu && cd /mnt/tpu
 
 ![duo](/docs/duo/tpu/duo-tpu-shufflenetv2_12.png)
 
-测试
+运行图像分类测试
 ```
 ./bin/cvi_sample_classifier_fused_preprocess \
  ../shufflenet_v2_cv1800_int8_asym.cvimodel \
@@ -213,12 +219,6 @@ $ mkdir -p /mnt/tpu && cd /mnt/tpu
 
 ![duo](/docs/duo/tpu/duo-tpu-shufflenetv2_13.png)
 
-
-注意：
-1. sample 目录下的 samples_extra 提供了更多 samples 脚本，但其中 cvimodel 名字已经硬编码在其中，如想使用脚本运行，需要自行修改 cvimodel 名字
-2. 此小节介绍的是使用预编译好的 sample 程序对转换好的 cvimodel 进行部署测试，如果开发者有兴趣对 samples 源码进行编码和交叉编译，请参考官网 [TPU-MLIR文档](https://doc.sophgo.com/sdk-docs/v23.05.01/docs_latest_release/docs/tpu-mlir/quick_start/html/10_cv18xx_guide.html#runtime-sample) 中的第9章《CV18xx芯片使用指南》中的
-第3小节 "编译和运行runtime sample" 内容
-
 ## 5. 附录
 
 正文涉及到的文件总结如下
@@ -238,3 +238,8 @@ password: 7&2Wd%cu5k
 使用 WinSCP 登陆 sftp 站点后的界面
 
 ![duo](/docs/duo/tpu/duo-tpu-sftp.png)
+
+注意：
+1. sample 目录下的 samples_extra 提供了更多 samples 脚本，但其中 cvimodel 名字已经硬编码在其中，如想使用脚本运行，需要自行修改 cvimodel 名字
+2. 此小节介绍的是使用预编译好的 sample 程序对转换好的 cvimodel 进行部署测试，如果开发者有兴趣对 samples 源码进行编码和交叉编译，请参考官网 [TPU-MLIR文档](https://doc.sophgo.com/sdk-docs/v23.05.01/docs_latest_release/docs/tpu-mlir/quick_start/html/10_cv18xx_guide.html#runtime-sample) 中的第9章《CV18xx芯片使用指南》中的
+第3小节 "编译和运行runtime sample" 内容
diff --git a/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-squeezenet.md b/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-squeezenet.md
new file mode 100644
index 00000000..98fc7586
--- /dev/null
+++ b/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-squeezenet.md
@@ -0,0 +1,221 @@
+---
+sidebar_label: '基于Squeezenet的图像分类'
+sidebar_position: 38
+---
+
+# 基于 Squeezenet 的图像分类
+
+## 1. 配置 Docker 开发环境
+
+参考 [这里](https://milkv.io/zh/docs/duo/application-development/tpu/tpu-docker) 配置好 Docker 开发环境后，再回到这里继续下一步
+
+## 2. 在 Docker 中准备工作目录
+
+创建并进入 `squeezenet1.1` 工作目录，注意是与 `tpu-mlir_*` 同级的目录
+```
+# mkdir squeezenet1.1 && cd squeezenet1.1
+```
+
+获取原始模型
+```
+# wget https://github.com/onnx/models/raw/main/vision/classification/squeezenet/model/squeezenet1.1-7.tar.gz
+```
+将 `squeezenet1.1-7.tar.gz` 解压
+```
+# tar -zxvf squeezenet1.1-7.tar.gz
+```
+解压后会在当前目录生成 `squeezenet1.1` 文件夹，该文件夹下包含有 `squeezenet1.1.onnx` 模型文件
+
+拷贝测试图片:
+```
+# cp -rf ${TPUC_ROOT}/regression/dataset/ILSVRC2012/ .
+# cp -rf ${TPUC_ROOT}/regression/image/ .
+```
+这里的 `${TPUC_ROOT}` 是环境变量，对应 `tpu-mlir_*` 目录，是在前面配置 Docker 开发环境中 `source ./tpu-mlir_*/envsetup.sh` 这一步加载的
+
+创建并进入 `work` 工作目录，用于存放编译生成的 MLIR、cvimodel 等文件
+```
+# mkdir work && cd work
+```
+
+## 3. ONNX 模型转换
+
+:::tip
+Duo 开发板搭载的是 CV1800B 芯片，该芯片支持 **ONNX 系列** 和 **Caffe 模型**，目前不支持 TFLite 模型。在量化数据类型方面，支持 **BF16 格式的量化** 和 **INT8 格式的非对称量化**
+:::
+
+模型转换步骤如下：
+- ONNX 模型转换成 MLIR
+- 生成量化需要的校准表
+- MLIR 量化成 INT8 非对称 cvimodel
+
+###  ONNX 模型转换成 MLIR
+
+本例中的模型是 BGR 输入, `mean` 和 `scale` 分别为 `123.675`,`116.28`,`103.53` 和 `0.0171`,`0.0175`,`0.0174`
+
+将 ONNX 模型转换为 MLIR 模型的命令如下:
+```
+model_transform.py \
+ --model_name squeezenet1.1 \
+ --model_def ../squeezenet1.1/squeezenet1.1.onnx \
+ --test_input ../image/cat.jpg \
+ --input_shapes [[1,3,224,224]] \
+ --resize_dims 256,256 \
+ --mean 123.675,116.28,103.53 \
+ --scale 0.0171,0.0175,0.0174 \
+ --pixel_format rgb \
+ --test_result squeezenet1.1_top_outputs.npz \
+ --mlir squeezenet1.1.mlir
+```
+
+运行成功效果示例
+
+![duo](/docs/duo/tpu/duo-tpu-squeezenet_05.png)
+
+转成 MLIR 模型后，会生成一个 `squeezenet1.1.mlir` 文件，该文件即为 MLIR 模型文件，还会生成一个 `squeezenet1.1_in_f32.npz` 文件和一个 `squeezenet1.1_top_outputs.npz` 文件，是后续转模型的输入文件
+
+![duo](/docs/duo/tpu/duo-tpu-squeezenet_06.png)
+
+### MLIR 转 INT8 模型
+
+#### 生成量化需要的校准表
+
+在转 INT8 模型之前需要先生成校准表，这里用现有的 100 张来自 ILSVRC2012 的图片举例，执行 calibration 命令：
+```
+run_calibration.py squeezenet1.1.mlir \
+ --dataset ../ILSVRC2012 \
+ --input_num 100 \
+ -o squeezenet1.1_cali_table
+```
+
+运行成功效果示例
+
+![duo](/docs/duo/tpu/duo-tpu-squeezenet_07.png)
+
+运行完成后会生成名为 `shufflenet_v2_cali_table` 的文件, 该文件用于后续编译 INT8 模型的输入文件
+
+![duo](/docs/duo/tpu/duo-tpu-squeezenet_08.png)
+
+#### MLIR 量化成 INT8 非对称 cvimodel
+
+将  MLIR 模型转换为 INT8 模型的命令如下:
+```
+model_deploy.py \
+ --mlir squeezenet1.1.mlir \
+ --quantize INT8 \
+ --calibration_table squeezenet1.1_cali_table \
+ --chip cv180x \
+ --test_input ../image/cat.jpg \
+ --test_reference squeezenet1.1_top_outputs.npz \
+ --compare_all \
+ --fuse_preprocess \
+ --model squeezenet1.1_cv180x_int8_fuse.cvimodel
+```
+
+运行成功效果示例
+
+![duo](/docs/duo/tpu/duo-tpu-squeezenet_09.png)
+
+编译完成后, 会生成名为 `squeezenet1.1_cv180x_int8_fuse.cvimodel` 的文件
+
+![duo](/docs/duo/tpu/duo-tpu-squeezenet_10.png)
+
+## 4. 在 Duo 开发板上进行验证
+
+### 连接 Duo 开发板
+
+根据前面的教程完成 Duo 开发板与电脑的连接，并使用 `mobaxterm` 或 `Xshell` 等工具开启终端操作 Duo 开发板
+
+### 获取 cvitek_tpu_sdk
+
+1. 从 MEGA 下载
+
+   [下载地址](https://mega.nz/folder/yZghQA4R#aZkbTwJb7Ji5LvAWIuBtag)
+
+   包名: `cvitek_tpu_sdk_cv180x_musl_riscv64_rvv.tar.gz`
+
+2. 从 ftp 服务器下载
+
+   ```
+   sftp://218.17.249.213
+   username: cvitek_mlir_2023
+   password: 7&2Wd%cu5k
+   ```
+   如果文件未找到，可以到 backup 目录中找一下，可能更新版本后旧版本的包被放到 backup 目录
+
+下载完成后，通过 Windows 终端拷贝到 Docker 中
+```
+docker cp C:\Users\Carbon\Duo-TPU\cvitek_tpu_sdk_cv180x_musl_riscv64_rvv.tar.gz  DuoTPU:/workspace/
+```
+
+并在 Docker 中进行解压
+```
+# cd /workspace
+# tar -zxvf cvitek_tpu_sdk_cv180x_musl_riscv64_rvv.tar.gz
+```
+
+解压完成后会生成`cvitek_tpu_sdk`文件夹
+
+### 将开发工具包和模型文件拷贝到开发板上
+
+在 duo 开发板的终端中，新建文件目录 `/mnt/tpu/`
+```
+# mkdir -p /mnt/tpu && cd /mnt/tpu
+```
+
+在 Docker 的终端中，将开发工具包和模型文件拷贝到开发板上
+```
+# scp -r /workspace/cvitek_tpu_sdk root@192.168.42.1:/mnt/tpu/
+# scp /workspace/squeezenet1.1/work/squeezenet1.1_cv180x_int8_fuse.cvimodel root@192.168.42.1:/mnt/tpu/cvitek_tpu_sdk/
+```
+
+### 设置环境变量
+
+在 Duo 开发板的终端中，进行环境变量的设置
+```
+# cd /mnt/tpu/cvitek_tpu_sdk
+# source ./envs_tpu_sdk.sh
+```
+
+### 进行图像分类测试
+
+在 Duo 开发板上，对该图像进行分类
+
+![duo](/docs/duo/tpu/duo-tpu-cat.jpg)
+
+在 Duo 开发板的终端中，使用 `squeezenet1.1_cv180x_int8_fuse.cvimodel` 模型进行图像分类:
+```
+./samples/bin/cvi_sample_classifier_fused_preprocess \
+ ./squeezenet1.1_cv180x_int8_fuse.cvimodel \
+ ./samples/data/cat.jpg \
+ ./samples/data/synset_words.txt
+```
+
+分类成功结果示例
+
+![duo](/docs/duo/tpu/duo-tpu-squeezenet_11.png)
+
+## 5. 附录
+
+正文涉及到的文件总结如下
+
+- TPU-MLIR 模型转换工具：tpu-mlir_v1.3.228-g19ca95e9-20230921.tar.gz
+- TPU SDK 开发工具包：cvitek_tpu_sdk_cv180x_musl_riscv64_rvv.tar.gz
+- （附）Sample 测试例程源码：cvitek_tpu_samples.tar.gz
+- （附）转换好的 cvimodel 包：cvimodel_samples_cv180x.tar.gz
+
+正文提到的 TPU 开发所需的包文件可在下面 sftp 站点获取，或者从 [MEGA](https://mega.nz/folder/yZghQA4R#aZkbTwJb7Ji5LvAWIuBtag) 下载
+```
+sftp://218.17.249.213
+user: cvitek_mlir_2023
+password: 7&2Wd%cu5k
+```
+
+使用 WinSCP 登陆 sftp 站点后的界面
+
+![duo](/docs/duo/tpu/duo-tpu-sftp.png)
+
+注意：
+1. sample 目录下的 samples_extra 提供了更多 samples 脚本，但其中 cvimodel 名字已经硬编码在其中，如想使用脚本运行，需要自行修改 cvimodel 名字
+2. 此小节介绍的是使用预编译好的 sample 程序对转换好的 cvimodel 进行部署测试，如果开发者有兴趣对 samples 源码进行编码和交叉编译，请参考官网 [TPU-MLIR文档](https://doc.sophgo.com/sdk-docs/v23.05.01/docs_latest_release/docs/tpu-mlir/quick_start/html/10_cv18xx_guide.html#runtime-sample) 中的第9章《CV18xx芯片使用指南》中的
+第3小节 "编译和运行runtime sample" 内容
diff --git a/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-yolov5.md b/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-yolov5.md
index 1f00690c..1dcf2958 100644
--- a/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-yolov5.md
+++ b/i18n/zh/docusaurus-plugin-content-docs/current/duo/application-development/tpu/tpu-yolov5.md
@@ -134,7 +134,7 @@ conda env remove --name <envname>
 
 ## 3. 在 Docker 中准备工作目录
 
-创建并进入 `yolov5n_torch` 工作目录，注意是与`tpu-mlir_*`同级的目录，并将模型文件和图片文件都放入该目录下
+创建并进入 `yolov5n_torch` 工作目录，注意是与 `tpu-mlir_*` 同级的目录，并将模型文件和图片文件都放入该目录下
 ```
 # mkdir yolov5n_torch && cd yolov5n_torch
 ```
@@ -148,16 +148,24 @@ docker cp <path>/yolov5-master/yolov5n_jit.pt <container_name>:/workspace/yolov5
 docker cp C:\Users\Carbon\Duo-TPU\yolov5-master\yolov5n_jit.pt DuoTPU:/workspace/yolov5n_torch/yolov5n_jit.pt
 ```
 
-再回到 Docker 终端下，将图片文件放入 yolov5n_torch/ 目录下并建立 work 目录
+再回到 Docker 终端下，将图片文件放入当前目录(`yolov5n_torch`)下
+```
+# cp -rf ${TPUC_ROOT}/regression/dataset/COCO2017 .
+# cp -rf ${TPUC_ROOT}/regression/image .
+```
+这里的 `${TPUC_ROOT}` 是环境变量，对应 `tpu-mlir_*` 目录，是在前面配置 Docker 开发环境中 `source ./tpu-mlir_*/envsetup.sh` 这一步加载的
+
+创建并进入 `work` 工作目录，用于存放编译生成的 `MLIR`、`cvimodel` 等文件
 ```
-# cp -rf $TPUC_ROOT/regression/dataset/COCO2017 .
-# cp -rf $TPUC_ROOT/regression/image .
 # mkdir work && cd work
 ```
-这里的`$TPUC_ROOT`是环境变量，对应`tpu-mlir_*`目录，是在前面配置 Docker 开发环境中 `source ./tpu-mlir_*/envsetup.sh` 这一步加载的
 
 ## 4. YOLOv5n-TORCH 模型转换
 
+:::tip
+Duo 开发板搭载的是 CV1800B 芯片，该芯片支持 **ONNX 系列** 和 **Caffe 模型**，目前不支持 TFLite 模型。在量化数据类型方面，支持 **BF16 格式的量化** 和 **INT8 格式的非对称量化**
+:::
+
 模型转换步骤如下：
 - TORCH 模型转换成 MLIR
 - 生成量化需要的校准表
@@ -165,7 +173,7 @@ docker cp C:\Users\Carbon\Duo-TPU\yolov5-master\yolov5n_jit.pt DuoTPU:/workspace
 
 ### TORCH 模型转换成 MLIR
 
-本例中，模型是 RGB 输入，`mean`和`scale`分别为`0,0,0`和`0.0039216,0`.`0039216`,`0.0039216`
+本例中，模型是 RGB 输入，`mean`和`scale`分别为 `0,0,0` 和 `0.0039216`,`0.0039216`,`0.0039216`
 将 torch 模型转换为mlir模型的命令如下
  ```
 # model_transform.py \
@@ -185,11 +193,13 @@ docker cp C:\Users\Carbon\Duo-TPU\yolov5-master\yolov5n_jit.pt DuoTPU:/workspace
 
 ![duo](/docs/duo/tpu/duo-tpu-yolo5_06.png)
 
-转成 MLIR 模型后，会生成一个`yolov5n.mlir`文件，该文件即为 MLIR 模型文件，还会生成一个`yolov5n_in_f32.npz`文件，该文件是后续转模型的输入文件
+转成 MLIR 模型后，会生成一个 `yolov5n.mlir` 文件，该文件即为 MLIR 模型文件，还会生成一个 `yolov5n_in_f32.npz` 文件和一个 `yolov5n_top_outputs.npz` 文件，是后续转模型的输入文件
 
 ![duo](/docs/duo/tpu/duo-tpu-yolo5_07.png)
 
-### 生成量化需要的校准表
+### MLIR 转 INT8 模型
+
+#### 生成量化需要的校准表
 
 在转 INT8 模型之前需要先生成校准表，这里用现有的 100 张来自 COCO2017 的图片举例，执行 calibration
 ```
@@ -205,11 +215,7 @@ docker cp C:\Users\Carbon\Duo-TPU\yolov5-master\yolov5n_jit.pt DuoTPU:/workspace
 
 ![duo](/docs/duo/tpu/duo-tpu-yolo5_09.png)
 
-### MLIR 量化成 INT8 非对称 cvimodel
-
-:::tip
-Duo 开发板搭载的是 CV1800B 芯片，该芯片支持 **ONNX 系列** 和 **Caffe 模型**，目前不支持 TFLite 模型。在量化数据类型方面，支持 **BF16 格式的量化** 和 **INT8 格式的非对称量化**
-:::
+#### MLIR 量化成 INT8 非对称 cvimodel
 
 将 MLIR 模型转换为 INT8 模型的命令如下
 ```
@@ -239,7 +245,7 @@ Duo 开发板搭载的是 CV1800B 芯片，该芯片支持 **ONNX 系列** 和 *
 
 ### 连接 Duo 开发板
 
-根据前面的教程完成duo开发板与电脑的连接，并使用`mobaxterm`或`Xshell`等工具开启终端操作 Duo 开发板
+根据前面的教程完成 Duo 开发板与电脑的连接，并使用 `mobaxterm` 或 `Xshell` 等工具开启终端操作 Duo 开发板
 
 ### 获取 cvitek_tpu_sdk
 
@@ -272,9 +278,9 @@ docker cp C:\Users\Carbon\Duo-TPU\cvitek_tpu_sdk_cv180x_musl_riscv64_rvv.tar.gz
 
 ### 将开发工具包和模型文件拷贝到开发板上
 
-在 duo 开发板的终端中，新建文件目录 /mnt/tpu/
+在 duo 开发板的终端中，新建文件目录 `/mnt/tpu/`
 ```
-$ mkdir -p /mnt/tpu && cd /mnt/tpu
+# mkdir -p /mnt/tpu && cd /mnt/tpu
 ```
 
 在 Docker 的终端中，将开发工具包和模型文件拷贝到开发板上
@@ -287,13 +293,17 @@ $ mkdir -p /mnt/tpu && cd /mnt/tpu
 
 在 Duo 开发板的终端中，进行环境变量的设置
 ```
-$ cd /mnt/tpu/cvitek_tpu_sdk
-$ source ./envs_tpu_sdk.sh
+# cd /mnt/tpu/cvitek_tpu_sdk
+# source ./envs_tpu_sdk.sh
 ```
 
 ### 进行目标检测
 
-在 Duo 开发板的终端中，输入如下命令进行目标检测
+在 Duo 开发板上，对该图像进行目标检测
+
+![duo](/docs/duo/tpu/duo-tpu-dog.jpg)
+
+在 Duo 开发板的终端中，使用 `yolov5n_int8_fuse.cvimodel` 模型进行目标检测
 ```
 # ./samples/samples_extra/bin/cvi_sample_detector_yolo_v5_fused_preprocess \
  ./yolov5n_int8_fuse.cvimodel \
@@ -301,7 +311,7 @@ $ source ./envs_tpu_sdk.sh
  yolov5n_out.jpg
  ```
 
- 检测成功结果示例
+检测成功结果示例
 
 ![duo](/docs/duo/tpu/duo-tpu-yolo5_12.png)
 
@@ -335,3 +345,8 @@ password: 7&2Wd%cu5k
 使用 WinSCP 登陆 sftp 站点后的界面
 
 ![duo](/docs/duo/tpu/duo-tpu-sftp.png)
+
+注意：
+1. sample 目录下的 samples_extra 提供了更多 samples 脚本，但其中 cvimodel 名字已经硬编码在其中，如想使用脚本运行，需要自行修改 cvimodel 名字
+2. 此小节介绍的是使用预编译好的 sample 程序对转换好的 cvimodel 进行部署测试，如果开发者有兴趣对 samples 源码进行编码和交叉编译，请参考官网 [TPU-MLIR文档](https://doc.sophgo.com/sdk-docs/v23.05.01/docs_latest_release/docs/tpu-mlir/quick_start/html/10_cv18xx_guide.html#runtime-sample) 中的第9章《CV18xx芯片使用指南》中的
+第3小节 "编译和运行runtime sample" 内容
diff --git a/static/docs/duo/tpu/duo-tpu-cat.jpg b/static/docs/duo/tpu/duo-tpu-cat.jpg
new file mode 100755
index 00000000..b4efc6c9
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-cat.jpg differ
diff --git a/static/docs/duo/tpu/duo-tpu-densenet_05.png b/static/docs/duo/tpu/duo-tpu-densenet_05.png
new file mode 100755
index 00000000..2e87fca1
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-densenet_05.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-densenet_06.png b/static/docs/duo/tpu/duo-tpu-densenet_06.png
new file mode 100755
index 00000000..afb5c404
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-densenet_06.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-densenet_07.png b/static/docs/duo/tpu/duo-tpu-densenet_07.png
new file mode 100755
index 00000000..aa8450cd
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-densenet_07.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-densenet_08.png b/static/docs/duo/tpu/duo-tpu-densenet_08.png
new file mode 100755
index 00000000..b7630000
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-densenet_08.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-densenet_09.png b/static/docs/duo/tpu/duo-tpu-densenet_09.png
new file mode 100755
index 00000000..873eab46
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-densenet_09.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-densenet_10.png b/static/docs/duo/tpu/duo-tpu-densenet_10.png
new file mode 100755
index 00000000..fa40b7aa
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-densenet_10.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-densenet_11.png b/static/docs/duo/tpu/duo-tpu-densenet_11.png
new file mode 100755
index 00000000..7b9dc223
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-densenet_11.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-docker_02-en.png b/static/docs/duo/tpu/duo-tpu-docker_02-en.png
new file mode 100755
index 00000000..36cfa921
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-docker_02-en.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-dog.jpg b/static/docs/duo/tpu/duo-tpu-dog.jpg
new file mode 100755
index 00000000..77b03812
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-dog.jpg differ
diff --git a/static/docs/duo/tpu/duo-tpu-googlenet_05.png b/static/docs/duo/tpu/duo-tpu-googlenet_05.png
new file mode 100755
index 00000000..e92d0f0c
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-googlenet_05.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-googlenet_06.png b/static/docs/duo/tpu/duo-tpu-googlenet_06.png
new file mode 100755
index 00000000..4aa292b3
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-googlenet_06.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-googlenet_07.png b/static/docs/duo/tpu/duo-tpu-googlenet_07.png
new file mode 100755
index 00000000..423e7a8f
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-googlenet_07.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-googlenet_08.png b/static/docs/duo/tpu/duo-tpu-googlenet_08.png
new file mode 100755
index 00000000..b92c3712
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-googlenet_08.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-googlenet_09.png b/static/docs/duo/tpu/duo-tpu-googlenet_09.png
new file mode 100755
index 00000000..c8d8bae4
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-googlenet_09.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-googlenet_10.png b/static/docs/duo/tpu/duo-tpu-googlenet_10.png
new file mode 100755
index 00000000..a240fa42
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-googlenet_10.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-googlenet_11.png b/static/docs/duo/tpu/duo-tpu-googlenet_11.png
new file mode 100755
index 00000000..c55c2f9c
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-googlenet_11.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-googlenet_12.png b/static/docs/duo/tpu/duo-tpu-googlenet_12.png
new file mode 100755
index 00000000..912ffa31
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-googlenet_12.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-googlenet_13.png b/static/docs/duo/tpu/duo-tpu-googlenet_13.png
new file mode 100755
index 00000000..b04aa700
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-googlenet_13.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-googlenet_14.png b/static/docs/duo/tpu/duo-tpu-googlenet_14.png
new file mode 100755
index 00000000..1fd49c48
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-googlenet_14.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-resnet18_05.png b/static/docs/duo/tpu/duo-tpu-resnet18_05.png
new file mode 100755
index 00000000..01132f44
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-resnet18_05.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-resnet18_06.png b/static/docs/duo/tpu/duo-tpu-resnet18_06.png
new file mode 100755
index 00000000..cf0140a0
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-resnet18_06.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-resnet18_07.png b/static/docs/duo/tpu/duo-tpu-resnet18_07.png
new file mode 100755
index 00000000..920b531c
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-resnet18_07.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-resnet18_08.png b/static/docs/duo/tpu/duo-tpu-resnet18_08.png
new file mode 100755
index 00000000..c425f61b
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-resnet18_08.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-resnet18_09.png b/static/docs/duo/tpu/duo-tpu-resnet18_09.png
new file mode 100755
index 00000000..3e9762a5
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-resnet18_09.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-resnet18_10.png b/static/docs/duo/tpu/duo-tpu-resnet18_10.png
new file mode 100755
index 00000000..c3031990
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-resnet18_10.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-resnet18_11.png b/static/docs/duo/tpu/duo-tpu-resnet18_11.png
new file mode 100755
index 00000000..b4f65bd5
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-resnet18_11.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-squeezenet_05.png b/static/docs/duo/tpu/duo-tpu-squeezenet_05.png
new file mode 100755
index 00000000..7fa6720d
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-squeezenet_05.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-squeezenet_06.png b/static/docs/duo/tpu/duo-tpu-squeezenet_06.png
new file mode 100755
index 00000000..1843bf9f
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-squeezenet_06.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-squeezenet_07.png b/static/docs/duo/tpu/duo-tpu-squeezenet_07.png
new file mode 100755
index 00000000..e2aa4da1
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-squeezenet_07.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-squeezenet_08.png b/static/docs/duo/tpu/duo-tpu-squeezenet_08.png
new file mode 100755
index 00000000..3d3060a8
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-squeezenet_08.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-squeezenet_09.png b/static/docs/duo/tpu/duo-tpu-squeezenet_09.png
new file mode 100755
index 00000000..a6cff342
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-squeezenet_09.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-squeezenet_10.png b/static/docs/duo/tpu/duo-tpu-squeezenet_10.png
new file mode 100755
index 00000000..f3dc74ca
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-squeezenet_10.png differ
diff --git a/static/docs/duo/tpu/duo-tpu-squeezenet_11.png b/static/docs/duo/tpu/duo-tpu-squeezenet_11.png
new file mode 100755
index 00000000..3bba74d2
Binary files /dev/null and b/static/docs/duo/tpu/duo-tpu-squeezenet_11.png differ