法泰的应用程序都使用相同的基本步骤和代码:

在此快速入门中,我们将展示适用于各种差异应用程序和数据集的这些步骤。正如您将看到的,尽管使用的模型和数据非常不同,但每种情况下的代码都极为相似。

计算机视觉分类

下面的代码执行以下操作:

  1. 名为的数据集 牛津IIIT宠物数据集 其中包含来自37个不同品种的7349张猫和狗的图像,将从fast.ai数据集集合下载到您使用的GPU服务器,然后将其提取。
  2. A 预训练模型 已经使用130万张图像训练过的模型,将使用互联网竞赛中获胜的模型进行下载。
  3. 预训练的模型将是 微调 利用迁移学习的最新进展,创建专门为识别狗和猫而定制的模型。

前两个步骤只需要运行一次。如果再次运行它,它将使用已经下载的数据集和模型,而不是再次下载它们。

path = untar_data(URLs.PETS)/'images'

def is_cat(x): return x[0].isupper()
dls = ImageDataLoaders.from_name_func(
    path, get_image_files(path), valid_pct=0.2, seed=42,
    label_func=is_cat, item_tfms=Resize(224))

learn = cnn_learner(dls, resnet34, metrics=错误率)
learn.fine_tune(1)
时代 train_loss 有效损失 错误率 时间
0 0.173790 0.018827 0.005413 00:12
时代 train_loss 有效损失 错误率 时间
0 0.064295 0.013404 0.005413 00:14

You can do inference with your model with the predict 方法:

img = PILImage.create('images/cat.jpg')
img
is_cat,_,probs = learn.predict(img)
print(f"Is this a cat?: {is_cat}.")
print(f"Probability it's a cat: {probs[1].item():.6f}")
Is this a cat?: True.
Probability it's a cat: 0.999722

计算机视觉分割

这是我们如何使用Fastai训练细分模型的方法, Camvid 资料集:

path = untar_data(URLs.CAMVID_TINY)
dls = SegmentationDataLoaders.from_label_func(
    path, bs=8, fnames = get_image_files(path/"images"),
    label_func = lambda o: path/'labels'/f'{o.stem}_P{o.suffix}',
    codes = np.loadtxt(path/'codes.txt', dtype=str)
)

learn = unet_learner(dls, resnet34)
learn.fine_tune(8)
时代 train_loss 有效损失 时间
0 2.882460 2.096923 00:03
时代 train_loss 有效损失 时间
0 1.602270 1.543582 00:02
1 1.417732 1.225782 00:02
2 1.307454 1.071090 00:02
3 1.170338 0.884501 00:02
4 1.047036 0.799820 00:02
5 0.947965 0.754801 00:02
6 0.868178 0.728161 00:02
7 0.804939 0.720942 00:02

通过要求模型对图像的每个像素进行颜色编码,我们可以形象地看到其完成任务的程度。

learn.show_results(max_n=6, figsize=(7,8))

自然语言处理

这是训练一个模型所需要的所有代码,该模型可以比五年前的世界上任何事物更好地对电影评论的情感进行分类:

dls = 文本DataLoaders.from_folder(untar_data(URLs.IMDB), valid='test')
learn = text_classifier_learner(dls, AWD_LSTM, drop_mult=0.5, metrics=准确性)
learn.fine_tune(2, 1e-2)
时代 train_loss 有效损失 准确性 时间
0 0.594912 0.407416 0.823640 01:35
时代 train_loss 有效损失 准确性 时间
0 0.268259 0.316242 0.876000 03:03
1 0.184861 0.246242 0.898080 03:10
2 0.136392 0.220086 0.918200 03:16
3 0.106423 0.191092 0.931360 03:15

预测 are done with predict, as for computer vision:

learn.predict("I really liked that movie!")
('pos', tensor(1), tensor([0.0041, 0.9959]))

表格

从平原构建模型 表格 数据使用与先前模型相同的基本步骤完成。这是训练模型的必要代码,该模型根据其社会经济背景来预测一个人是否是高收入者:

path = untar_data(URLs.ADULT_SAMPLE)

dls = 表格DataLoaders.from_csv(path/'adult.csv', path=path, y_names="salary",
    cat_names = ['workclass', 'education', 'marital-status', 'occupation',
                 'relationship', 'race'],
    cont_names = ['age', 'fnlwgt', 'education-num'],
    procs = [Categorify, FillMissing, Normalize])

learn = 表格_learner(dls, metrics=准确性)
learn.适合_one_cycle(2)
时代 train_loss 有效损失 准确性 时间
0 0.372298 0.359698 0.829392 00:06
1 0.357530 0.349440 0.837377 00:06

推荐系统

推荐系统非常重要,尤其是在电子商务中。像Amazon和Netflix这样的公司努力推荐用户可能喜欢的产品或电影。这是一种训练模型的方法,该模型将根据用户以前的观看习惯,预测人们可能喜欢的电影 MovieLens数据集:

path = untar_data(URLs.ML_SAMPLE)
dls = 合作DataLoaders.from_csv(path/'ratings.csv')
learn = collab_learner(dls, y_range=(0.5,5.5))
learn.fine_tune(6)
时代 train_loss 有效损失 时间
0 1.497551 1.435720 00:00
时代 train_loss 有效损失 时间
0 1.332337 1.351769 00:00
1 1.180177 1.046801 00:00
2 0.913091 0.799319 00:00
3 0.749806 0.731218 00:00
4 0.686577 0.715372 00:00
5 0.665683 0.713309 00:00

We can use the same show_results call we saw earlier to view a few examples of user and movie IDs, actual 评分s, and predictions:

learn.show_results()
用户身份 movieId 评分 评分_pred
0 5.0 3.0 2.0 3.985477
1 1.0 62.0 4.0 3.629225
2 91.0 81.0 1.0 3.476280
3 48.0 26.0 2.0 4.043919
4 75.0 54.0 3.0 4.023057
5 42.0 22.0 3.0 3.509050
6 40.0 59.0 4.0 3.686552
7 63.0 77.0 3.0 2.862713
8 32.0 61.0 4.0 4.356578