fastai是一款由Jeremy Howard和Rachel Thomas发起基于PyTorch的深度学习框架,旨在让机器学习不再”伟大”,更加“平易近人”,将AI的学习与使用,推广到更多人群。学习fastai,你将:
不需要很复杂的数学知识,Just high school math is sufficient(高中数学水平足以)
不需要很大的数据集
不需要很多昂贵的机器
为能够更好的推广学习,作者基于此专门出了一套在线课程,甚至还出了一本书(《fastai与PyTorch深度学习实践指南》,实体书有售),作者也很大方的提供在线版本(https://github.com/fastai/fastbook),允许大家不花费任何资费即可学习。不过个人还是建议有条件、有兴趣的同学可以购买实体书,支持下大佬的辛勤付出。
谷歌提供的类似于jupyter的服务。
纯粹的jupyter服务,如果免费的不稳定,可以加钱。
如果你有自己带GPU的linux机器,可以参考https://course.fast.ai/start_aws中的第6步开始的相关设置
为了省去安装配置环境的烦恼,我们这里就用Colab来进行介绍。
直接通过Colab打开(https://github.com/fastai/fastbook)的.ipynb文件即可
只需要很短的时间和极少的资源,我们就能得到一个失败率只有0.3%左右的模型。
▲图片来源于网络
进行预测
可以看到模型能够准确判断图片是猫的图片。
模型预测效果,不同的颜色对应不同的物体
通过以上两个示例,可以看到fastai封装的很好,训练的流程都可以简单分为,数据集加载,模型训练设置,模型训练这三个步骤。并且每个步骤的代码都只有寥寥数行,大大减轻了编码的负担,能够使得用户更加专注于模型本身的优化调整。同时为了解决封装带来方法高度抽象的问题,fastai还提供了方法文档查询。
还可以点击“show in docs”,查看更细致具体的说明
当然fastai也存在明显不足的地方:
①导入包的方式是导入所有模块,这样就使得你得对fastai足够熟悉,才能很好的使用它。
②fastai在训练过程中耗时很少,资源消耗很小,得到的模型质量高的秘诀在于它是基于预训练模型进行训练来实现的,而预训练模型不是那么好获得的。不过就算只是拿fastai作为学习深度学习的一个跳板也是不错的,毕竟对普通人已经足够友好了。
作者简介
彭奇,海云捷迅研发工程师,毕业于西华大学,5年软件开发工作经验,熟悉Linux,OpenStack,Kubernetes,Docker等开源技术, 具有多年关于云计算,云原生的工作经验,并参与openstack和k8s社区贡献。
英特尔FPGA中国创新中心自2018年成立以来,依托英特尔全球领先的FPGA技术,建立了线上与线下结合、理论与实战协同的人才培养体系,针对高校师生、工程师和开发人员提供从初级、中级、高级(软件/硬件)到专家级的多层次培训,致力于为行业持续输送专业人才。未来,在FPGA及人工智能教育领域,英特尔FPGA中国创新中心还将持续积极拓展产学研用、产教融合发展之路,积极自主研发创新成果和应用,助力面向未来的应用型人才培养、激发优秀创新团队成长、深度融合科研设备共享,积极推进国内FPGA生态建设,与各大高校合作促进人工智能学科体系的优化布局。