Task2-基于MobileaNet的预训练模型优化

##项目背景

• mobilenet_v2_0.75_224 预训练模型是基于224224的训练集图片训练而来，需要通过imagenet 100M数据集把模型训练成适用于448448的预训练模型

##思考的问题
1、预训练模型怎么使用和导入
2、如何在服务器上训练
3、如何把训练集弄出来
4、如何评价训练效果，先用448448的图像去224224的预训练模型中查看效果指标，定一个baseline。

##思路
slim库封装好了所有数据下载和train model的接口，直接使用即可。

• https://blog.csdn.net/angelbeats11/article/details/79009858
• 1、按照slim文档下载并制作tfrecord的数据集，这里是flower
• 2、按照slim文档下载pretrain的model，这里是 Inceptionv3 和 mobilenetv2。选取inceptionv3是因为slim的finetune case就是基于inceptionv3实现的，所以先跑一遍。
• 3、完成inceptionv3在flower上的finetune
• 4、完成mobilenetv2在flower上的finetune（遇到下列问题1、2、3）
• 5、下载imagenet数据集，并转换成tfrecord，在服务器上finetune

##遇到的问题

• 1 在 train_image_classifer.py 中 mobilenet网络未设置 default_image_size，所以需要制定 train_image_size。这个可以通过对比slim->nets下其他网络的代码获知。因此需要制定 train_image_size。
• 2 pretrain的model是 mobilenet_v2_0.5，需要在nets_factory中增加 v2_0.5的映射，这样才能找到对应的网络文件。
• 
• 3 在slim中提供的 pretrain model都是基于 imagenet 2012 实现的，默认输出的logit layer 是 2048*1001，如果需要在其他训练集上 finetune（如这里使用的是flower数据集，只有5类），需要通过 labels_offset 参数进行调整，labels_offset = dataset.num_classes - network.num_clasess = 5-1001 = -996
• 4 imagenet官网（http://image-net.org）打不开，因此无法用slim脚本直接执行，需要基于已经下载好的imagenet jpeg文件，制作tfrecord文件，然后调用slim 的脚本finetune。参考