Fastai-简介

大家好，又见面了，我是你们的朋友全栈君。

Fastai简介

简介

Fastai是一个课程平台，一个讨论社区，同样也是一个基于PyTorc的顶层框架。Fastai的理念就是让神经网络没那么望而生畏，其课程也是采用项目驱动的方式教学。（不同于很多深度学习课程先教授大量的数学基础，各有利弊。）

目前fastai只在Linux下稳定，mac和windows下不保证稳定性。Fastai类似Keras，封装顶层框架，对新手比较友好。Keras的后端框架为TensorFlow和Theano等，而Fastai的后端为PyTorch。而且，类似Keras，Fastai不只是将PyTorch功能封装了比较“亲切”的API，而是让PyTorch的强大之处易用了。

在Kaggle等深度学习竞赛平台上，Fastai逐渐崭露头角。这主要归功于Fastai设计之初就是一个交互式环境支持友好的框架，例如对Jupyter的支持。

安装

conda/pip install fastai

注意：目前最新版均为1.x稳定版，均依赖pytorch1.0及以上，安装使用conda/pip install torch。

模块

下图是官方给出的核心模块的依赖关系。暂时不理解没关系，用了几次就明白了，和Keras还是很类似的。不同于其他的顶层深度学习框架，Fastai的模块是安装任务类型划分的，例如fastai.vison模块下就包含了视觉方面包括数据准备、模型构建、训练等API。

在这里插入图片描述

在Fastai的设计中，主要有四大应用领域，对应的四个模块名为collab（协同过滤问题）、tabular（表格或者结构化数据问题）、text（自然语言处理问题）以及vision（计算机视觉问题）。本系列所有文章围绕都是图像数据进行处理，也就是说主要使用vision模块。

快速开始

下面给出官方的快速入门代码

from fastai.vision import models, URLs, ImageDataBunch, cnn_learner, untar_data, accuracy

path = untar_data(URLs.MNIST_SAMPLE)  # 下载数据集，这里只是MNIST的子集，只包含3和7的图像,会下载并解压（untar的命名原因）到/root/.fastai/data/mnist_sample（如果你是root用户）下，包含训练数据，测试数据，包含label的csv文件
data = ImageDataBunch.from_folder(path)  # 利用ImageDataBunch读取文件夹，返回一个ImageDataBunch对象
learn = cnn_learner(data, models.resnet18, metrics=accuracy)  # 构建cnn模型，使用resnet18预训练模型
learn.fit(1)  # 训练一轮

上面的代码我已经详细备注。

关键步骤

在实际使用时，深度学习项目（尤其比赛）一般关注三个过程。

• 数据集加载
• 模型（预训练模型）
• 训练过程（验证集。测试集评价）

Fastai最核心的数据集加载类为ImageDataBunch，它的几个方法都是去处理常见的数据集存储模式的（如csv+train+test）。底层类为DatasetBase继承自Pytorch的Dataset类，具体后面讲解。Fastai在数据预处理上也有了比较大的改进，如数据增强做了优化。

Fastai包含了PyTorch中torchvision的预训练模型，包括resnet、vgg、densenet等，也有一些Fastai提供的模型，如resnext、inception等，需要在这个地址下载。

Fastai中的训练方法如fit一般有以下参数。

• 设定加载预训练模型，可以选择加载的层数以及是否冻结训练参数
• 设定训练batch_size和epochs
• 设定optimizer
• 设定callback函数实现训练过程回调（支持可视化，利用fastprogress）
• 设定fastai提供或者自己定义的验证指标(metrics)
• 设定训练tricks，例如lr_find和one cycle

补充说明

本文初步介绍Fastai框架，这是基于PyTorch的一个上层框架，是2019年以来一个流行的选择，官方文档地址给出，目前没有中文文档。具体代码见我的Github，欢迎star或者fork。关于Fastai更多文章可以查看我的专栏。

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。