Update faq_2021_s1.md (#556)

* Update faq_2021_s1.md

* Update faq_2021_s1.md

* Update faq_2021_s1.md

* Update faq_2021_s1.md

* Update faq_2021_s1.md

docs/zh_CN/faq_series/faq_2021_s1.md

@@ -3,6 +3,7 @@
 
 ## 目录
 * [第1期](#第1期)(2021.01.05)
+* [第2期](#第2期)(2021.01.14)
 
 <a name="第1期"></a>
 ## 第1期
@@ -47,3 +48,26 @@
 4. 可以将图像预处理的逻辑(主要设计resize、crop、normalize等)放在GPU上运行，这可以进一步加速预测过程。
 
 更多的预测部署加速技巧，也欢迎大家补充。
+
+<a name="第2期"></a>
+## 第2期
+
+### Q2.1: PaddleClas在设置标签的时候必须从0开始吗？class_num必须等于数据集的类别数吗？
+
+**A**：在PaddleClas中，标签默认是从0开始，所以，尽量从0开始设置标签，当然，从其他值开始设置也可以，这样会导致设置的class_num增大，进而导致分类的FC层参数量较大，权重文件会占用更多的存储空间。在数据集类别连续的情况下，设置的class_num要等于数据集类别数（当然大于数据集类别数也可以，在很多数据集上甚至可以获得更高的精度，但同样会使FC层参数量较大），在数据集类别数不连续的情况下，设置的class_num要等于数据集中最大的class_id+1。
+
+### Q2.2: 当类别数特别多的时候，最后的FC特别大，导致权重文件占用较大的存储空间，该怎么解决？
+
+**A**：最终的FC的权重是一个大的矩阵，大小为C*class_num，其中C为FC前一层的神经单元个数，如ResNet50中的C为2048，可以通过降低C的值来进一步减小FC权重的大小，比如，可以在GAP之后加一层维数较小的FC层，这样可以大大缩小最终分类层的权重大小。
+
+### Q2.3: 为什么使用PaddleClas在自定义的数据集上训练ssld蒸馏没有达到预期？
+
+首先，需要确保Teacher模型的精度是否存在问题，其次，需要确保Student模型是否成功加载了ImageNet-1k的预训练权重以及Teacher模型是否成功加载了训练自定义数据集的权重，最后，要确保初次学习率不应太大，至少保证初始学习率不要超过训练ImageNet-1k的值。
+
+### Q2.4: 移动端或嵌入式端上哪些网络具有优势？
+
+建议使用移动端系列的网络，网络详情可以参考[移动端系列网络结构介绍](../models/Mobile.md)。如果任务的速度更重要，可以考虑MobileNetV3系列，如果模型大小更重要，可以根据移动端系列网络结构介绍中的StorageSize-Accuracy来确定具体的结构。
+
+### Q2.5: 既然移动端网络非常快，为什么还要使用诸如ResNet这样参数量和计算量较大的网络？
+
+不同的网络结构在不同的设备上运行速度优势不同。在移动端上的cpu上，移动端系列的网络比服务器端的网络运行速度更快，但是在服务器端侧，相同精度下，ResNet等经过特定优化后的网络具有更大的优势，所以需要根据具体情况来选择具体的网络结构。