Merge pull request #5 from mini-sora/update_doc

Add environment doc

README_EN.md

@@ -61,7 +61,18 @@ openxlab dataset get --dataset-repo OpenDataLab/ImageNet-1K #数据集下载
 
 ## 复现步骤
 
-1. 数据集预处理
+目前已在 dev 分支提交了 DiT 在纯 torch 下的复现代码 [fast-DiT](https://github.com/chuanyangjin/fast-DiT)，该版本使用了混合精度还有一些加速方案，可以极大程度降低显存，以及提升训练速度。
+
+1. 环境安装
+
+使用 dev 分支中的 `environment.yml` 可以复现环境
+
+```bash
+conda env create -f environment.yml
+conda activate DiT
+```
+
+2. 数据集预处理
 
 因为在原版 Meta 的 [DiT](https://github.com/facebookresearch/DiT) 中，每个 iter 都会对数据进行重复计算，为了节省训练的时间，可以先对图片进行预处理，在训练的时候可以节省这部分的时间
 
@@ -87,7 +98,7 @@ openxlab dataset get --dataset-repo OpenDataLab/ImageNet-1K #数据集下载
 
 执行后会对每个图片生成一个 npy 文件，训练的时候直接读取
 
-2. 使用 mmengine 重写数据流，下面是原版的 dataset，可见直接读取上一步生成的 npy 文件，省去了前处理时间
+3. 使用 mmengine 重写数据流，下面是原版的 dataset，可见直接读取上一步生成的 npy 文件，省去了前处理时间
 
 ```python
 class CustomDataset(Dataset):
@@ -112,8 +123,8 @@ class CustomDataset(Dataset):
         return torch.from_numpy(features), torch.from_numpy(labels)
 ```
 
-3. 重写 loss 计算
-4. 使用 xtuner 调训练 pipeline
+4. 重写 loss 计算
+5. 使用 xtuner 调训练 pipeline
 
 ## 模型架构
 
@@ -188,4 +199,4 @@ class CustomDataset(Dataset):
 [issues-shield]: https://img.shields.io/github/issues/mini-sora/minisora.svg?style=flat-square
 [issues-url]: https://img.shields.io/github/issues/mini-sora/minisora.svg
 [license-shield]: https://img.shields.io/github/license/mini-sora/minisora.svg?style=flat-square
-[license-url]: https://github.com/mini-sora/minisora/blob/main/LICENSE
+[license-url]: https://github.com/mini-sora/minisora/blob/main/LICENSE