diff --git a/README_EN.md b/README_EN.md
index 7efeb3b..391ab2b 100644
--- a/README_EN.md
+++ b/README_EN.md
@@ -46,7 +46,48 @@ English | [简体中文](./README_CN.md)
 
 ## 数据集
 
-...
+- ImageNet-1K
+
+可以在 OpenDatalab 进行下载 [ImageNet-1K](https://opendatalab.org.cn/OpenDataLab/ImageNet-1K)
+
+```shell
+pip install openxlab #安装
+pip install -U openxlab #版本升级
+openxlab login #进行登录，输入对应的AK/SK
+
+cd ${dataset_dir}
+openxlab dataset get --dataset-repo OpenDataLab/ImageNet-1K #数据集下载
+```
+
+## 复现步骤
+
+1. 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
+
+详见 dev 分支中的 [extract_features.py#L163](https://github.com/mini-sora/MiniSora-DiT/blob/ad13c58370842db333c77253709e3fbbc1e9a092/extract_features.py#L163-L177) ，处理需要时间较久，大概 1~2小时。
+
+```python
+    for x, y in loader:
+        x = x.to(device)
+        y = y.to(device)
+        with torch.no_grad():
+            # Map input images to latent space + normalize latents:
+            x = vae.encode(x).latent_dist.sample().mul_(0.18215)
+            
+        x = x.detach().cpu().numpy()    # (1, 4, 32, 32)
+        np.save(f'{args.features_path}/imagenet256_features/{train_steps}.npy', x)
+
+        y = y.detach().cpu().numpy()    # (1,)
+        np.save(f'{args.features_path}/imagenet256_labels/{train_steps}.npy', y)
+            
+        train_steps += 1
+        print(train_steps)
+```
+
+2. 使用 mmengine 重写数据流
+3. 重写 loss 计算
+4. 使用 xtuner 调训练 pipeline
 
 ## 模型架构
 
@@ -54,7 +95,7 @@ English | [简体中文](./README_CN.md)
 
 ## 算力需求
 
-...
+论文原版是：`8 x A100` ，但是使用混合精度，可以使用 `2 x A100`
 
 ## 其他项目