fastai v1.0使用示例

在互联网上游荡了半天，没找到多少fastai的v1.0版本的教程，0.7的有很多，但是1.0的fastai几乎是一个全新的fastai，所以这里写下我的探索，欢迎共同探讨(我的email:1596446455@qq.com)。

加载数据集

首先是加载数据集，先将数据整理成如下格式：

然后我们加载图片数据集：

   databunch = ImageDataBunch.from_folder('cifar-10-batches-py/images', valid_pct=0.1)

其中valid_pct是指使用多少百分比的数据作为验证集。

创建模型

使用刚刚的数据集，我们来创建一个常用的分类模型，使用fastai自带的create_cnn方法：

learn = create_cnn(databunch, models.resnet18, pretrained=True, metrics=[accuracy])

这是最简单的创建模型的方法，如果想要自定义模型怎么办呢：

model = nn.Sequential(nn.Linear(10, 1024), nn.ReLU(), nn.Linear(1023, 10))
learn = fastai.Learner(databunch, model, loss_func=nn.CrossEntropyLoss(),metrics=[accuracy])

寻找最佳学习率

因为模型的学习率是一个很重要的参数，而fastai给我们提供了一个自动寻找学习率的方法：

learn.lr_find()
learn.recorder.plot()

训练模型

训练模型可以使用两个方法，一个是常规的fit()，另一个是fit_one_cyc()，使用了模拟退火算法来调整lr：

learn.fit(60)
learn.fit_one_cycle(cyc_len=60, max_lr=0.001)

完整代码

import torch
from torch import nn
from torchvision import *
import fastai
from fastai import *
from fastai.vision import *

databunch = ImageDataBunch.from_folder('./images',valid_pct=0.1, bs=140,num_workers=4，size=224)

learn = create_cnn(databunch, models.resnet18, pretrained=True, metrics=[accuracy])

learn.lr_find()
learn.recorder.plot()

learn.fit_one_cycle(cyc_len=60, max_lr=0.001)
learn.save('mymodel.pytorch')