from 法泰.vision.all import *
我们将使用官方PyTorch示例中的MNIST训练代码，对空间进行了略微重新格式化，从AdaDelta更新为AdamW，并从脚本转换为模块。有很多代码，因此我们将其放入migrating_pytorch.py！
from migrating_pytorch import *
We can entirely replace the custom training loop with 法泰's. That means you can get rid of train(), test(), and the 时代 loop in the original code, and replace it all with just this:
data = 数据加载器s(train_loader, test_loader)
learn = 学习者(data, Net(), loss_func=F.nll_loss, opt_func=Adam, metrics=准确性, cbs=CudaCallback)
我们还添加了 CudaCallback 为我们将模型和数据移至GPU。另外，您也可以使用Fastai 数据加载器, which provides a superset of the functionality of PyTorch's (with the same API), and can handle moving data to the GPU for us (see migrating_ignite.ipynb for an example of this approach).
法泰支持许多调度程序。我们建议配合1cycle训练：
learn.fit_one_cycle(时代s, lr)
如您所见，从纯PyTorch迁移可以删除大量代码，并且不需要更改任何现有的数据管道，优化器，损失函数，模型等。
进行此更改后，您就可以受益于fastai丰富的回调，转换，可视化等等。
请注意，fastai不仅仅是一个训练循环（尽管在此示例中我们仅使用训练循环）-它是一个完整的框架，包括GPU加速的转换，端到端推理，视觉，文本，表格过滤和协作过滤等等。您可以单独使用框架的任何部分，也可以将它们组合在一起，如 法纸.