Fastai深度学习课程的八大最佳实践

     去年九月，我参加了《Practical Deep Learning for Coders（第一部分）》的课堂，由Fastai社区的Jeremy Howard教授，它将于2018年1月份可在慕课网上线。经过七周的时间，我学会了很多技能：

1.使用预训练模型构建世界一流的图像分类器；

2.从调查过的数据集中构建语言模型的情感分析工具；

3.如何对结构化数据集进行深度学习；

4.如何使用深度学习通过协同过滤构建构建推荐引擎。

 上述工作都是通过Jupyter笔记本的高效接口以及PyTorch提供的fastai深度学习库来完成。本文介绍了这8种技术，在每种技术中，我将用较为简短的fastai代码片段概括其基本思想，并在括号内指出该技术是否普遍使用（在做图像识别和分类，自然语言处理，构建结构化数据或协同过滤时，深度学习是否适用？），或者具体到深度学习应用的某种数据。 在课堂上，图像识别课程使用Kaggle的 Dogs vs. Cats: Kernels Edition，Dog Breed Identification和Planet: Understanding the Amazon from Space。

 我在互联网上构建了自己的模型，模仿Dogs vs. Cats，取而代之的是蜘蛛和蝎子：Spiders vs. Scorpions。我从Google 上搜索并下载了约1500张“蜘蛛”和“沙漠蝎”，并删除了所有的非.jpg格式、所有多余的非图像文件以及没有扩展名的图像来清理数据，现在大约有815张图片可以使用。训练集中每个[蜘蛛，蝎子]类有290张，实验集和验证集分别有118只蜘蛛和117只蝎子。令我感到惊讶的是，模型的准确度达到了95%的准确度。

更多请看原文