FER2013数据集是一个人脸表情识别数据集，该数据集中的图片共有七种类别，分别是angry、disgust、fear、happy、neutral、sad、surprise。该数据集中共有35886张图片，每张图片的大小为48×48×1。FER2013数据集的存放结构如下所示：

|_ fer/pic/

  |_ angry\
     |_ 00000_1.jpg
     |_ ...
  |_ disgust\
  |_ fear\
  |_ happy\
  |_ neutral\
  |_ sad\
  |_ surprise\

我们需要生成一个docker镜像用于后续的（1）生成tfrecord文件（2）训练模型（3）模型评估。

你可以根据以下步骤生成一个docker镜像，也可以跳过此步骤，使用本文提供的镜像。

通过以下命令拉取本文提供的镜像,并重命名为自己的镜像：

sudo docker pull uhub.service.ucloud.cn/uai_demo/slim:latest

sudo docker tag uhub.service.ucloud.cn/uai_demo/slim:latest uhub.ucloud.cn//slim

- 1 TF-Slim代码准备

我们可以在AutoAI-github中获得所需代码。

- 2 Dockerfile文件准备

我们使用tensorflow 1.5（tf-models 1.8.0）作为基础镜像，将slim文件夹添加到镜像的/data/文件夹下。Dockerfile文件如下：

FROM uhub.service.ucloud.cn/uaishare/gpu_uaitrain_ubuntu-16.04_python-2.7.6_tensorflow-1.5_models:v1.8.0

COPY ./slim/ /data/

- 3 生成docker镜像

经过以上准备，我们本地的文件结构应该为如下格式：

|_ data\

   |_ slim\
   |_ slim.Dockerfile  

通过如下命令，可以在本地生成一个名为uhub.ucloud.cn//slim的docker镜像；

sudo docker build -t uhub.ucloud.cn//slim -f slim.Dockerfile .

我们需要将fer2013的图片文件转化为tfrecord文件，方便我们进行后续的模型训练。

我们将会生成两个tfrecord文件，分别为fer_test.tfrecord、fer_train.tfrecord，其中fer_test.tfrecord包含了原数据集30%的图片，fer_train.tfrecord包含了原数据集70%的图片。 在生成tfrecord文件的同时，我们还会生成info.json和labels.txt，他们储存了fer2013的类别信息和tfrecord文件的相关信息。

运行以下命令，可以在/data/fer/tfrecord下得到生成的tfrecord文件、info.json和labels.txt。

sudo nvidia-docker run -it -v /data/fer/pic:/data/pic -v /data/fer/tfrecord:/data/tfrecord /bin/bash -c "python /data/download_and_convert_data.py --dataset_dir=/data/tfrecord --dataset_name=fer --pic_path=/data/pic"