原文：Deep Learning 2: Part 1 Lesson 1

作者：Hiromi Suenaga

• 課程論壇

入門 [0:00]：

• 為了訓練神經網絡，你肯定需要圖形處理單元（GPU） - 特別是 NVIDIA GPU，因為它是唯一支持 CUDA（幾乎所有深度學習庫和從業者都使用的語言和框架）的設備。
• 租用 GPU 有幾種方法：Crestle [04:06] ，Paperspace [06:10]

Jupyter 筆記本和貓狗識別的介紹?[12:39]

• 你可以通過選擇它并按下shift+enter來運行單元格（你可以按住shift并多次按enter鍵來繼續下拉單元格），或者你可以單擊頂部的“運行”按鈕。單元格可以包含代碼，文本，圖片，視頻等。
• Fast.ai 需要 Python 3

%reload_ext autoreload %autoreload 2 %matplotlib inline # This file contains all the main external libs we'll use from fastai.imports import * from fastai.transforms import * from fastai.conv_learner import * from fastai.model import * from fastai.dataset import * from fastai.sgdr import * from fastai.plots import * PATH = "data/dogscats/" sz=224

先看圖片 [15:39]

!ls {PATH} models sample test1 tmp train valid

• !表明使用 bash（shell）而不是 python
• 如果你不熟悉訓練集和驗證集，請查看 Practical Machine Learning 課程（或閱讀?Rachel 的博客）

!ls {PATH}valid cats dogs files = !ls {PATH}valid/cats | head files ['cat.10016.jpg', 'cat.1001.jpg', 'cat.10026.jpg', 'cat.10048.jpg', 'cat.10050.jpg', 'cat.10064.jpg', 'cat.10071.jpg', 'cat.10091.jpg', 'cat.10103.jpg', 'cat.10104.jpg']

• 此文件夾結構是共享和提供圖像分類數據集的最常用方法。 每個文件夾都會告訴你標簽（例如dogs或cats）。

img = plt.imread(f' {PATH} valid/cats/ {files[0]} ') plt.imshow(img);

• f'{PATH}valid/cats/{files[0]}'?- 這是一個 Python 3.6 格式化字符串，可以方便地格式化字符串。

img.shape (198, 179, 3) img[:4,:4] array([[[ 29, 20, 23], [ 31, 22, 25], [ 34, 25, 28], [ 37, 28, 31]], [[ 60, 51, 54], [ 58, 49, 52], [ 56, 47, 50], [ 55, 46, 49]], [[ 93, 84, 87], [ 89, 80, 83], [ 85, 76, 79], [ 81, 72, 75]], [[104, 95, 98], [103, 94, 97], [102, 93, 96], [102, 93, 96]]], dtype=uint8)

• img是一個三維數組（又名 3 維張量）
• 這三個維度（例如[29, 20, 23]）表示 0 到 255 之間的紅綠藍像素值
• 我們的想法是利用這些數字來預測這些數字是代表貓還是狗，基于查看貓和狗的大量圖片。
• 這個數據集來自?Kaggle 競賽，當它發布時（早在 2013 年），最先進的技術準確率為 80%。

讓我們訓練一個模型 [20:21]

以下是訓練模型所需的三行代碼：

data = ImageClassifierData.from_paths(PATH, tfms=tfms_from_model(resnet34, sz)) learn = ConvLearner.pretrained(resnet34, data, precompute= True ) learn.fit (0.01, 3) [ 0. 0.04955 0.02605 0.98975] [ 1. 0.03977 0.02916 0.99219] [ 2. 0.03372 0.02929 0.98975]

• 這將執行 3 個迭代，這意味著它將三次查看整個圖像集。
• 輸出中的三個數字中的最后一個是驗證集上的準確度。
• 前兩個是訓練集和驗證集的損失函數值（在這種情況下是交叉熵損失）。
• 開始（例如，1.）是迭代數。
• 我們通過 3 行代碼在 17 秒內達到了 ~99% （這將在 2013 年贏得 Kaggle 比賽）！[21:49]
• 很多人都認為深度學習需要大量的時間，大量的資源和大量的數據 - 一般來說，這不是真的！

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的fast.ai 深度学习笔记：第一部分第一课的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。