release commit
authorManu Mathew <a0393608@ti.com>
Thu, 9 Jan 2020 05:39:17 +0000 (11:09 +0530)
committerManu Mathew <a0393608@ti.com>
Thu, 9 Jan 2020 05:39:17 +0000 (11:09 +0530)
README.md

index 6d526efc215614ba1878eb9c8f7c3fd8c60393fa..7c97b6666ce4a70e4b63cd101ff294bbdb862063 100644 (file)
--- a/README.md
+++ b/README.md
@@ -1,6 +1,10 @@
 # Jacinto-AI-DevKit (PyTorch)
 
 # Jacinto-AI-DevKit (PyTorch)
 
-Note: If you have not visited our landing page in github, please do so: [https://github.com/TexasInstruments/jacinto-ai-devkit](https://github.com/TexasInstruments/jacinto-ai-devkit)
+###### Notice: 
+- If you have not visited our landing page in github, please do so: [https://github.com/TexasInstruments/jacinto-ai-devkit](https://github.com/TexasInstruments/jacinto-ai-devkit)
+- **Issue Tracker:** You can file issues or ask questions at **e2e**: [https://e2e.ti.com/support/processors/f/791/tags/jacinto_2D00_ai_2D00_devkit](https://e2e.ti.com/support/processors/f/791/tags/jacinto_2D00_ai_2D00_devkit).<br>
+-- While creating a new issue, the part number should be filled in as **TDA4VM**. Also, kindly include **jacinto-ai-devkit** in the tags (at the end of the page as you create a new issue). 
+- If you do not get a reply within two days, please contact us at: jacinto-ai-devkit@list.ti.com
 
 ### Deep Learning Models / Training / Calibration & Quantization - Using PyTorch<br>
 This code provides a set of low complexity deep learning examples and models for low power embedded systems. Low power embedded systems often requires balancing of complexity and accuracy. This is a tough task and requires significant amount of expertise and experimentation. We call this process **complexity optimization**. In addition we would like to bridge the gap between Deep Learning training frameworks and real-time embedded inference by providing ready to use examples and enable **ease of use**. Scripts for training, validation, complexity analysis are also provided. 
 
 ### Deep Learning Models / Training / Calibration & Quantization - Using PyTorch<br>
 This code provides a set of low complexity deep learning examples and models for low power embedded systems. Low power embedded systems often requires balancing of complexity and accuracy. This is a tough task and requires significant amount of expertise and experimentation. We call this process **complexity optimization**. In addition we would like to bridge the gap between Deep Learning training frameworks and real-time embedded inference by providing ready to use examples and enable **ease of use**. Scripts for training, validation, complexity analysis are also provided. 
@@ -41,11 +45,6 @@ The following examples are currently available. Click on each of the links below
 
 Some of the common training and validation commands are provided in shell scripts (.sh files) in the root folder.
 
 
 Some of the common training and validation commands are provided in shell scripts (.sh files) in the root folder.
 
-#### **Issue Tracker**: 
-- You can file issues or ask questions at **e2e**: [https://e2e.ti.com/support/processors/f/791/tags/jacinto_2D00_ai_2D00_devkit](https://e2e.ti.com/support/processors/f/791/tags/jacinto_2D00_ai_2D00_devkit).<br>
-- The part number should be filled in as **TDA4VM**. Also, kindly include **jacinto-ai-devkit** in the tags (at the end of the page as you create a new issue) so that we get notified quickly. 
-- If you do not get a reply within two days, you can contact us at: jacinto-ai-devkit@list.ti.com
-
 ## Additional Information
 For information on other similar devkits, please visit:<br> 
 - [https://github.com/TexasInstruments/jacinto-ai-devkit](https://github.com/TexasInstruments/jacinto-ai-devkit)<br> AND
 ## Additional Information
 For information on other similar devkits, please visit:<br> 
 - [https://github.com/TexasInstruments/jacinto-ai-devkit](https://github.com/TexasInstruments/jacinto-ai-devkit)<br> AND