diff --git a/12月12日本周科研工作进展.md b/12月20日本周科研工作进展.md
similarity index 51%
rename from 12月12日本周科研工作进展.md
rename to 12月20日本周科研工作进展.md
index 2c3cb64..3915c64 100644
--- a/12月12日本周科研工作进展.md
+++ b/12月20日本周科研工作进展.md
@@ -4,7 +4,7 @@
 
 ### 1.继续进行超参数调整
 
-![log7-l2s](pic/log7-l2s.png)
+![log7-l2s](/pic/log7-l2s.png)
 
 ![log8](/pic/log8.png)
 
@@ -13,21 +13,29 @@
 ```python
 # 批次大小
 parser.add_argument('--batch-size', default=64, type=int)
+parser.add_argument('--batch-size', default=96, type=int)
 
 # 学习率
 parser.add_argument('--lr', default=0.03, type=float)
+parser.add_argument('--lr', default=0.08, type=float)
 
 # 聚类数量
 parser.add_argument('--num-cluster', default='2,5,10,20,33,50,100,200,400,800,1600,2400,3200', type=str)
 
+parser.add_argument('--num-cluster', default='3200,2400,1600,800,400,200,100,50,25,20,10,5,2', type=str)
+
  # 负样本队列大小
 parser.add_argument('--pcl-r', default=1024, type=int)
-
+parser.add_argument('--pcl-r', default=640, type=int)
 # MoCo动量
 parser.add_argument('--moco-m', default=0.999, type=float, )
 
 # softmax温度
 parser.add_argument('--temperature', default=0.2, type=float)
+
+# 数据增强
+parser.add_argument('--aug-plus', default=True, type=bool)
+parser.add_argument('--aug-plus', default=False, type=bool)
 ```
 
 #### 目前问题：
@@ -36,6 +44,10 @@ parser.add_argument('--temperature', default=0.2, type=float)
 
 （2）存在原型聚类损失不能很好引导两个精度的提升的问题
 
+#### 目前最佳训练：
+
+![log9-l2s](/pic/log9-l2s.png)
+
 ### 2.使用了软化标签的方式解决低聚类问题中的不确定影响
 
 调用了nn.CrossEntropyLoss中的label_smoothing功能缓解硬标签对初期模型的破坏，目前设定上限为0.2
@@ -102,6 +114,90 @@ def adjust_learning_rate(optimizer, epoch, args):
 
 ![图片1](/pic/图片1.png)
 
+```python
+    # 取得聚类中心0
+    centroids_0, im2cluster_0, D0 = clus(x, num_clusters[0], args)
+    # 取得聚类中心1
+    centroids_1, im2cluster_1, D1 = clus(centroids_0, num_clusters[1], args)
+    # 取得聚类中心2
+    centroids_2, im2cluster_2, D2 = clus(centroids_1, num_clusters[2], args)
+
+    density_0 = cau_density(im2cluster_0, num_clusters[0], D0, args)
+    density_1 = cau_density(im2cluster_1, num_clusters[1], D1, args)
+    density_2 = cau_density(im2cluster_2, num_clusters[2], D2, args)
+    
+    ...
+    
+    def clus(x, num_cluster, args):
+    k= int(num_cluster)
+    clus = faiss.Clustering(x.shape[1], k)
+    clus.verbose = False
+    clus.niter = 20  # 最大迭代次数
+    clus.nredo = 5  # 聚类重新初始化次
+    clus.seed = args.seed
+    clus.max_points_per_centroid = int(x.shape[0] * 5 / 3 / int(num_cluster))
+    clus.min_points_per_centroid = int(x.shape[0] / 3 / int(num_cluster))
+    clus.is_relative_centroids = True
+    clus.spherical = True
+    print(
+        f"num_cluster:{num_cluster}, min_points:{clus.min_points_per_centroid}, max_points:{clus.max_points_per_centroid}")
+    res = faiss.StandardGpuResources()
+    cfg = faiss.GpuIndexFlatConfig()
+    cfg.useFloat16 = True
+    cfg.device = args.gpu
+    index = faiss.GpuIndexFlatL2(res, x.shape[1], cfg)
+
+    clus.train(x, index)
+    D, I = index.search(x, 1)  # for each sample, find cluster distance and assignments
+    im2cluster = [int(n[0]) for n in I]
+
+    # 取得聚类中心
+    centroids = faiss.vector_to_array(clus.centroids).reshape(k, x.shape[1])
+
+    return centroids, im2cluster, D
+
+def cau_density(im2cluster, k, D, args):
+    # 计算每个样本到其聚类中心的距离
+    Dcluster = [[] for c in range(k)]
+    for im, i in enumerate(im2cluster):
+        Dcluster[i].append(D[im][0])
+
+    # 聚类中心浓度估算
+    density = np.zeros(k)
+    for i, dist in enumerate(Dcluster):
+        if len(dist) > 1:
+            d = (np.asarray(dist) ** 0.5).mean() / np.log(len(dist) + 10)
+            density[i] = d
+
+    # 如果聚类只有一个点，最大化估计其浓度
+    dmax = density.max()
+    for i, dist in enumerate(Dcluster):
+        if len(dist) <= 1:
+            density[i] = dmax
+
+    density = density.clip(np.percentile(density, 10),
+                           np.percentile(density, 90))  # 去掉极端浓度值
+    density = args.temperature * density / density.mean()  # 缩放浓度值
+```
+
+目前没有使用，原因是每层聚类数的差异不够，如聚类数为[2400,2000,1600]，每层差距不到1.2，凝聚型聚类会导致从小样本中聚类大样本数，问题较大。
+
+可能考虑在以后从小到大的聚类训练中使用，以获得高可信度的粗聚类中心。
+
 ### 6.改用聚类数从高到低的方式引导训练流程
 
-在模型刚开始训练时，较粗的聚类可能导致边缘样本的错误分配，导致错误的累计。故引导聚类的方法从细到粗更可靠，最近邻和过度聚类通常更能被接受的；同时，凝聚聚类是一个循环过程，可以自然地在循环框架中进行解释；随着学习到更好的表示，这些聚类可以被合并。
\ No newline at end of file
+在模型刚开始训练时，较粗的聚类可能导致边缘样本的错误分配，导致错误的累计。故引导聚类的方法从细到粗更可靠，最近邻和过度聚类通常更能被接受的；同时，凝聚聚类是一个循环过程，可以自然地在循环框架中进行解释；随着学习到更好的表示，这些聚类可以被合并。
+
+目前正在实验，
+
+从小到大（loss_inst: 3.50, loss_proto: 2.84 **Acc_Inst:  75.01, Acc_Proto:  60.28**）
+
+从大到小（loss_inst: 2.67e, loss_proto: 3.46, **Acc_Inst:  91.45, Acc_Proto:  89.15**）
+
+两种聚类方式会已进行比较（图1和图3），后续将补充一些说明作为论文的工作量。
+
+
+
+## 下周任务
+
+1.进行一些下游任务实验的进一步设计（如few-shot）、聚类效果等
\ No newline at end of file