k210在使用mx-yolov3训练分类网络的时候出现Fatal: Layer Pad is not supported

mx-yolov3训练分类网络在进行转换的时候出现如下错误：

整了好久，以为是自己在训练的时候哪里弄错了，折腾了一天，最后在源码中的文档中找到了这个链接,这是一个垃圾分类的项目，用于部署到k210,最后在这篇文章中找到了这句话：

Eine Änderung an der Keras-Implementierung des MobileNet muss jedoch vorgenommen werden, weil diese in den Conv2D Layern padding=‘valid‘ verwendet, der nncase Compiler (derzeit) jedoch nur die Einstellung ‚same‘ ohne padding oder “valid” mit padding, also gleiche Layer Input- und Outputgrößen unterstützt (anschauliche Erläuterung von padding ‚same‘ und ‚valid‘:

意思就是：
但是，必须对MobileNet 的 Keras实现进行更改，因为它在 Conv2D 层中使用 padding = ‘valid’，而 nncase 编译器（当前）仅使用设置 ‘same’ 而不使用 padding 或“valid” with padding same支持层输入和输出大小

也就是在0.1.0版本的nncase不支持padding的方式，因此，使用nncase0.1.0版本就无法转换，最后报错pad格式错误，也就是上面的错误，因此，我使用0.2.0版本对其进行转换，发现就成功了，但是这里要注意，在使用0.2.0的nncase进行转换之后，我们必须更新固件，更新一个支持V4版本的固件才可以，但是当我将固件更新之后又出现了一个新的问题，那就是内存不足，总是在加载的时候会出现out memery的错误，这个问题我们需要使用到kpu.load_flash去从flash进行实时加图片，具体如何使用kpu.load_flash，大家可以参考maixpy的官方那个文档，里面有讲解。

但是要注意的是，在使用kpu.load_flash的时候，在v3版本我们不用去初始化其输出大小，但在v4版本的时候，我们需要使用kpu.set_outputs(task, 0, 1, 1, 1) #it is add for V4去初始化网络的输出，因为在v3版本中，他可以自动推断，而在v4版本中，则不能进行推断，具体可以参考这篇文章：链接

kpu.set_outputs：函数

本文在使用mx-yolov3进行训练，单独使用0.2.0nncase进行模型转换，最后加载模型到flash的0x300000地址处，上电开机boot代码为：

import sensor
import math
import machine
import lcd
import KPU as kpu

sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
sensor.run(1)
sensor.skip_frames(10)
sensor.set_windowing((224,224))
sensor.set_vflip(0)
lcd.init(freq=15000000,color=0x0000)
#KPU = kpu.load('/sd/weights.kmodel')
KPU = kpu.load_flash(0x300000,0,0,60000000)
f=open("classes.txt","r")
labels_txt=f.read()
labels = labels_txt.split(",")
f.close()
kpu.set_outputs(KPU,0,1,1,2) # 需要根据自己模型最后一层的输出进行对应数据填充，否则会报错，成功返回True
while True:
    img = sensor.snapshot()
    plist = kpu.forward(KPU,img)[:]
    pmax = max(plist)
    max_index = plist.index(pmax)
    pgoods = labels[max_index]
    print("No.{} is {}".format(pgoods, pmax))
    lcd.display(img)
    lcd.draw_string(48,224,"NO: {} {}{}".format(pgoods, round(pmax,2)*100,"%"),lcd.WHITE,lcd.GREEN)

运行结果如下：

因为使用的是load_flash，而且采用的是v4版本（据说大量矩阵运行在cpu上执行），因此速度相当之慢。

因此，并不建议mx-yolo训练分类，因为在测试中，使用maixpy的官方版本在分类任务中要快上许多。