【Pytorch with fastai】第 19 章 ：从零开始的 fastai 学习者

🔎大家好，我是Sonhhxg_柒，希望你看完之后，能对你有所帮助，不足请指正！共同学习交流🔎

📝个人主页－Sonhhxg_柒的博客_CSDN博客 📃

🎁欢迎各位→点赞👍 + 收藏⭐️ + 留言📝​

📣系列专栏 - 机器学习【ML】 自然语言处理【NLP】  深度学习【DL】

​

 🖍foreword

✔说明⇢本人讲解主要包括Python、机器学习（ML）、深度学习（DL）、自然语言处理（NLP）等内容。

如果你对这个系列感兴趣的话，可以关注订阅哟👋

文章目录

数据

数据集

模块和参数

简单的CNN

Loss

Learner

Callbacks（回调）

安排学习率

结论

---

最后一章（结论和在线章节除外）看起来会有些不同。与前几章相比，它包含更多的代码和更少的散文。我们将在不讨论的情况下介绍新的 Python 关键字和库。本章旨在为您开启一个重要的研究项目。你看，我们将从头开始实现 fastai 和 PyTorch API 的许多关键部分，除了我们在第 17 章中开发的组件之外别无他物！这里的关键目标是结束你自己的Learner类和一些回调——足以在 Imagenette 上训练模型，包括我们研究过的每个关键技术的例子。在构建的过程中Learner，我们将创建我们自己的版本Module，Parameter和平行的DataLoader，所以你会很好地了解这些 PyTorch 类的作用。

章末问卷对于本章尤为重要。在这里，我们将以本章为起点，为您指明许多您可以采取的有趣方向。我们建议您在计算机上按照本章进行操作，并进行大量实验、网络搜索以及您需要了解的任何其他内容。您已经在本书的其余部分中积累了执行此操作的技能和专业知识，因此我们认为您会做得很好！

让我们从（手动）收集一些数据开始。

数据

查看源代码以untar_data了解其工作原理。 我们将在此处使用它来访问本章中使用的 160 像素版本的 Imagenette：

path = untar_data(URLs.IMAGENETTE_160)

要访问图像文件，我们可以使用get_image_files：

t = get_image_files(path) t[0]

Path('/home/jhoward/.fastai/data/imagenette2-160/val/n03417042/n03417042_3752.JP
 > EG')

或者我们可以只使用 Python 的标准库来做同样的事情glob：

from glob import glob
files = L(glob(f'{path}/**/*.JPEG', recursive=True)).map(Path)
files[0]

Path('/home/jhoward/.fastai/data/imagenette2-160/val/n03417042/n03417042_3752.JP
 > EG')

如果您查看 的源代码get_image_files，您会发现它使用 Python 的os.walk; 这是一个比 更快更灵活的功能glob，所以一定要试试看。

我们可以使用 Python 图像库的 Image类打开图像：

im = Image.open(files[0])
im

im_t = tensor(im)im_t.shape

torch.Size([160, 213, 3])

这将是我们自变量的基础。对于我们的因变量，我们可以使用Path.parentfrom pathlib。首先我们需要我们的词汇

lbls = files.map(Self.parent.name()).unique(); lbls

(#10) ['n03417042','n03445777','n03888257','n03394916','n02979186','n03000684','
 > n03425413','n01440764','n03028079','n02102040']

和反向映射，感谢L.val2idx：

v2i = lbls.val2idx(); v2i

{'n03417042': 0,
 'n03445777'：1，
 'n03888257'：2，
 'n03394916'：3，
 'n02979186'：4，
 'n03000684'：5，
 'n03425413'：6，
 'n01440764'：7，
 'n03028079'：8，
 'n02102040': 9}

这就是我们将Dataset.

数据集

PyTorch 中的 ADataset可以是任何支持索引的东西 ( __getitem__) 和len:

class Dataset:
    def __init__(self, fns): self.fns=fns
    def __len__(self): return len(self.fns)
    def __getitem__(self, i):
        im = Image.open(self.fns[i]).resize((64,64)).convert('RGB')
        y = v2i[self.fns[i].parent.name]
        return tensor(im).float()/255, tensor(y)

我们需要一个训练和验证文件名列表来传递给 Dataset.__init__：

train_filt = L(o.parent.parent.name=='train' for o in files)
train,valid = files[train_filt],files[~train_filt]
len(train),len(valid)

(9469, 3925)

现在我们可以尝试一下：

train_ds,valid_ds = Dataset(train),Dataset(valid)
x,y = train_ds[0]
x.shape,y

(torch.Size([64, 64, 3]), tensor(0))

show_image(x, title=lbls[y]);

如您所见，我们的数据集将自变量和因变量作为元组返回，这正是我们所需要的。我们需要能够将这些整理成一个小批量。通常，这是通过 完成的torch.stack，我们将在此处使用：

def collate(idxs, ds):
    xb,yb = zip(*[ds[i] for i in idxs])
    return torch.stack(xb),torch.stack(yb)

这是一个包含两个项目的小批量，用于测试我们的 collate：

x,y = collate([1,2], train_ds)
x.shape,y

(torch.Size([2, 64, 64, 3]), tensor([0, 0]))

现在我们有了一个数据集和一个整理函数，我们是 准备创建 DataLoader。我们将在此处添加另外两件事：shuffle训练集的可选内容，以及ProcessPoolExecutor 并行进行预处理的内容。并行数据加载器非常重要，因为打开和解码 JPEG 图像是一个缓慢的过程。一个 CPU 核心不足以足够快地解码图像以保持现代 GPU 忙碌。这是我们的DataLoader课程：

class DataLoader:
    def __init__(self, ds, bs=128, shuffle=False, n_workers=1):
        self.ds,self.bs,self.shuffle,self.n_workers = ds,bs,shuffle,n_workers

    def __len__(self): return (len(self.ds)-1)//self.bs+1

    def __iter__(self):
        idxs = L.range(self.ds)
        if self.shuffle: idxs = idxs.shuffle()
        chunks = [idxs[n:n+self.bs] for n in range(0, len(self.ds), self.bs)]
        with ProcessPoolExecutor(self.n_workers) as ex:
            yield from ex.map(collate, chunks, ds=self.ds)

让我们用我们的训练和验证数据集试试看：

n_workers = min(16, defaults.cpus)
train_dl = DataLoader(train_ds, bs=128, shuffle=True, n_workers=n_workers)
valid_dl = DataLoader(valid_ds, bs=256, shuffle=False, n_workers=n_workers)
xb,yb = first(train_dl)
xb.shape,yb.shape,len(train_dl)

(torch.Size([128, 64, 64, 3]), torch.Size([128]), 74)

这个数据加载器并不比 PyTorch 的慢很多，但它要简单得多。因此，如果您正在调试复杂的数据加载过程，请不要害怕尝试手动执行操作以帮助您准确了解正在发生的事情。

对于规范化，我们需要图像统计信息。通常，在单个训练小批量上计算这些很好，因为这里不需要精度：

stats = [xb.mean((0,1,2)),xb.std((0,1,2))]
stats

[tensor([0.4544, 0.4453, 0.4141]), tensor([0.2812, 0.2766, 0.2981])]

我们的Normalize班级只需要存储这些统计数据并应用它们（看看为什么to_device需要它，试着把它注释掉，然后看看这个笔记本后面会发生什么）：

class Normalize:
    def __init__(self, stats): self.stats=stats
    def __call__(self, x):
        if x.device != self.stats[0].device:
            self.stats = to_device(self.stats, x.device)
        return (x-self.stats[0])/self.stats[1]

我们总是喜欢测试我们在笔记本中构建的所有内容，一旦我们构建它：

norm = Normalize(stats)
def tfm_x(x): return norm(x).permute((0,3,1,2))

t = tfm_x(x)
t.mean((0,2,3)),t.std((0,2,3))

(tensor([0.3732, 0.4907, 0.5633]), tensor([1.0212, 1.0311, 1.0131]))

这里tfm_x不仅应用了Normalize，而且还置换了轴顺序从NHWC到NCHW（ 如果您需要提醒这些首字母缩写词指的是什么，请参阅第 13 章）。PIL 使用HWC轴顺序，我们不能将其与 PyTorch 一起使用，因此需要 this permute。

这就是我们模型所需的全部数据。所以现在我们需要模型本身！

模块和参数

要创建模型，我们需要Module. 要创建Module，我们需要Parameter，所以让我们从这里开始。 回想一下，在第 8 章中我们说过Parameter 该类“不添加任何功能（除了自动调用requires_grad_我们）”。它仅用作“标记”以显示要包含在中的内容 parameters。” 下面是一个定义，正是这样做的：

class Parameter(Tensor):
    def __new__(self, x): return Tensor._make_subclass(Parameter, x, True)
    def __init__(self, *args, **kwargs): self.requires_grad_()

这里的实现有点笨拙：我们必须定义特殊的 __new__Python 方法并使用内部 PyTorch 方法 _make_subclass，因为在撰写本文时，PyTorch 不能以其他方式正确处理这种子类化或提供官方支持的 API 来做这个。这可能在您阅读本文时已经修复，因此请访问本书的网站以查看是否有更新的详细信息。

正如我们想要的那样，我们Parameter现在的行为就像一个张量：

Parameter(tensor(3.))

tensor(3., requires_grad=True)

现在我们有了这个，我们可以定义Module：

class Module:
    def __init__(self):
        self.hook,self.params,self.children,self._training = None,[],[],False

    def register_parameters(self, *ps): self.params += ps
    def register_modules   (self, *ms): self.children += ms

    @property
    def training(self): return self._training
    @training.setter
    def training(self,v):
        self._training = v
        for m in self.children: m.training=v

    def parameters(self):
        return self.params + sum([m.parameters() for m in self.children], [])

    def __setattr__(self,k,v):
        super().__setattr__(k,v)
        if isinstance(v,Parameter): self.register_parameters(v)
        if isinstance(v,Module):    self.register_modules(v)

    def __call__(self, *args, **kwargs):
        res = self.forward(*args, **kwargs)
        if self.hook is not None: self.hook(res, args)
        return res

    def cuda(self):
        for p in self.parameters(): p.data = p.data.cuda()

关键功能在以下定义中parameters：

self.params + sum([m.parameters() for m in self.children], [])

这意味着我们可以向 any 询问Module它的参数，它会返回它们，包括它的所有子模块（递归）。但是它怎么知道它的参数是什么？这要归功于实现 Python 的特殊__setattr__方法，只要 Python 在类上设置属性，我们就会调用该方法。我们的实施包括这一行：

if isinstance(v,Parameter): self.register_parameters(v)

如您所见，这是我们使用新Parameter类作为“标记”的地方——该类的任何内容都添加到我们的params.

Python__call__允许我们定义当我们的对象被视为函数时会发生什么；我们只是调用forward（这里不存在，因此需要由子类添加）。之后，如果已定义，我们将调用一个钩子。现在您可以看到 PyTorch 挂钩根本没有做任何花哨的事情——它们只是调用任何已 注册的挂钩。

除了这些功能之外，我们Module还提供 cuda和training属性，我们将很快使用它们。

现在我们可以创建我们的第一个Module，它是ConvLayer：

class ConvLayer(Module):
    def __init__(self, ni, nf, stride=1, bias=True, act=True):
        super().__init__()
        self.w = Parameter(torch.zeros(nf,ni,3,3))
        self.b = Parameter(torch.zeros(nf)) if bias else None
        self.act,self.stride = act,stride
        init = nn.init.kaiming_normal_ if act else nn.init.xavier_normal_
        init(self.w)

    def forward(self, x):
        x = F.conv2d(x, self.w, self.b, stride=self.stride, padding=1)
        if self.act: x = F.relu(x)
        return x

我们不是F.conv2d从头开始实施，因为您应该已经在第 17 章unfold的调查问卷中完成（使用） 。相反，我们只是创建一个小类，将其与偏差和权重初始化一起包装起来。让我们检查它是否可以正常工作 Module.parameters：

l = ConvLayer(3, 4)
len(l.parameters())

2

我们可以调用它（这将导致forward被调用）：

xbt = tfm_x(xb)
r = l(xbt)
r.shape

torch.Size([128, 4, 64, 64])

同样的，我们可以实现Linear：

class Linear(Module):
    def __init__(self, ni, nf):
        super().__init__()
        self.w = Parameter(torch.zeros(nf,ni))
        self.b = Parameter(torch.zeros(nf))
        nn.init.xavier_normal_(self.w)

    def forward(self, x): return x@self.w.t() + self.b

并测试它是否有效：

l = Linear(4,2)
r = l(torch.ones(3,4))
r.shape

torch.Size([3, 2])

我们还创建一个测试模块来检查我们是否包含多个参数作为属性，它们是否都已正确注册：

class T(Module):
    def __init__(self):
        super().__init__()
        self.c,self.l = ConvLayer(3,4),Linear(4,2)

由于我们有一个转换层和一个线性层，每个层都有权重和偏差，所以我们总共需要四个参数：t =

t = T()
len(t.parameters())

4

我们还应该发现调用cuda此类会将所有这些参数放在 GPU 上：

t.cuda()t.l.w.device

device(type='cuda', index=5)

我们现在可以使用这些片段来创建 CNN。

简单的CNN

正如我们所见，一个Sequential类使许多架构更容易实现，所以让我们做一个：

class Sequential(Module):
    def __init__(self, *layers):
        super().__init__()
        self.layers = layers
        self.register_modules(*layers)

    def forward(self, x):
        for l in self.layers: x = l(x)
        return x

这里的forward方法只是依次调用每一层。请注意，我们必须使用register_modules我们在 中定义的方法Module，否则 的内容 layers将不会出现在 中 parameters。

请记住，我们在这里没有为模块使用任何 PyTorch 功能；我们自己定义一切。因此，如果您不确定是做什么register_modules的，或者为什么需要它，请再看看我们的代码，Module看看我们写了什么！

我们可以创建一个简化AdaptivePool的，只处理池化到 1×1 的输出，并将其展平，只需使用mean：

class AdaptivePool(Module):
    def forward(self, x): return x.mean((2,3))

这足以让我们创建一个 CNN！

def simple_cnn():
    return Sequential(
        ConvLayer(3 ,16 ,stride=2), #32
        ConvLayer(16,32 ,stride=2), #16
        ConvLayer(32,64 ,stride=2), # 8
        ConvLayer(64,128,stride=2), # 4
        AdaptivePool(),
        Linear(128, 10)
    )

让我们看看我们的参数是否都被正确注册：

m = simple_cnn()
len(m.parameters())

10

现在我们可以尝试添加一个钩子。请注意，我们只为一个钩子留了空间 Module；你可以把它做成一个列表，或者使用类似的东西Pipeline将几个作为一个函数运行：

def print_stats(outp, inp): print (outp.mean().item(),outp.std().item())
for i in range(4): m.layers[i].hook = print_stats

r = m(xbt)
r.shape

0.5239089727401733 0.8776043057441711
0.43470510840415955 0.8347987532615662
0.4357188045978546 0.7621666193008423
0.46562111377716064 0.7416611313819885
torch.Size([128, 10])

我们有数据和模型。现在我们需要一个损失函数。

Loss

我们已经看到如何定义“负对数似然”：

def nll(input, target): return -input[range(target.shape[0]), target].mean()

实际上，这里没有日志，因为我们使用的是与 PyTorch 相同的定义。这意味着我们需要将日志与 softmax 放在一起：

def log_softmax(x): return (x.exp()/(x.exp().sum(-1,keepdim=True))).log()

sm = log_softmax(r); sm[0][0]

tensor(-1.2790, grad_fn=<SelectBackward>)

结合这些给我们我们的交叉熵损失：

loss = nll(sm, yb)
loss

tensor(2.5666, grad_fn=<NegBackward>)

注意公式

 当我们计算 log softmax 时，给出了一个简化，它之前被定义为(x.exp()/(x.exp().sum(-1))).log()：

def log_softmax(x): return x - x.exp().sum(-1,keepdim=True).log()
sm = log_softmax(r); sm[0][0]

tensor(-1.2790, grad_fn=<SelectBackward>)

然后，有一种更稳定的方法来计算指数和的对数，称为 LogSumExp技巧。这个想法是使用以下公式

 其中a是最大值Xj.

这是代码中的相同内容：

x = torch.rand(5)
a = x.max()
x.exp().sum().log() == a + (x-a).exp().sum().log()

tensor(True)

我们将把它放入一个函数中

def logsumexp(x):
    m = x.max(-1)[0]
    return m + (x-m[:,None]).exp().sum(-1).log()

logsumexp(r)[0]

tensor(3.9784, grad_fn=<SelectBackward>)

所以我们可以将它用于我们的log_softmax功能：

def log_softmax(x): return x - x.logsumexp(-1,keepdim=True)

这给出了与以前相同的结果：

sm = log_softmax(r); sm[0][0]

tensor(-1.2790, grad_fn=<SelectBackward>)

我们可以使用这些来创建cross_entropy：

def cross_entropy(preds, yb): return nll(log_softmax(preds), yb).mean()

现在让我们将所有这些部分组合起来创建一个 Learner.

Learner

我们有数据、模型和损失函数；在拟合模型之前，我们只需要再做一件事，那就是优化器！这是新加坡元：

class SGD:
    def __init__(self, params, lr, wd=0.): store_attr(self, 'params,lr,wd')
    def step(self):
        for p in self.params:
            p.data -= (p.grad.data + p.data*self.wd) * self.lr
            p.grad.data.zero_()

正如我们在本书中所见，有了Learner. Learner需要知道我们的训练和验证集，这意味着我们需要存储DataLoaders它们。我们不需要任何其他功能，只需要一个存储和访问它们的地方：

class DataLoaders:
    def __init__(self, *dls): self.train,self.valid = dls

dls = DataLoaders(train_dl,valid_dl)

现在我们准备创建我们的Learner类：

class Learner:
    def __init__(self, model, dls, loss_func, lr, cbs, opt_func=SGD):
        store_attr(self, 'model,dls,loss_func,lr,cbs,opt_func')
        for cb in cbs: cb.learner = self

    def one_batch(self):
        self('before_batch')
        xb,yb = self.batch
        self.preds = self.model(xb)
        self.loss = self.loss_func(self.preds, yb)
        if self.model.training:
            self.loss.backward()
            self.opt.step()
        self('after_batch')

    def one_epoch(self, train):
        self.model.training = train
        self('before_epoch')
        dl = self.dls.train if train else self.dls.valid
        for self.num,self.batch in enumerate(progress_bar(dl, leave=False)):
            self.one_batch()
        self('after_epoch')

    def fit(self, n_epochs):
        self('before_fit')
        self.opt = self.opt_func(self.model.parameters(), self.lr)
        self.n_epochs = n_epochs
        try:
            for self.epoch in range(n_epochs):
                self.one_epoch(True)
                self.one_epoch(False)
        except CancelFitException: pass
        self('after_fit')

    def __call__(self,name):
        for cb in self.cbs: getattr(cb,name,noop)()

这是我们在本书中创建的最大的类，但每个方法都非常小，因此通过依次查看每个方法，您应该能够了解发生了什么。

我们将调用的主要方法是fit. 这循环与

for self.epoch in range(n_epochs)

并且在每个时代要求self.one_epoch每个train=True然后train=False。然后在dls.train或者dls.valid中self.one_epoch调用self.one_batch每个批次（在包装DataLoader在 progress.progress_bar之后）。最后， self.one_batch按照我们在本书中看到的一组常用步骤来拟合一个小批量。

在每个步骤之前和之后，Learner调用self，调用 __call__（这是标准的 Python 功能）。在self.cbs 中的每个回调上__call__使用 getattr(cb,name)，这是一个 Python 内置函数，它返回具有请求名称的属性（在本例中为方法）。因此，例如，self('before_fit') 将调用 cb.before_fit()定义该方法的每个回调。

如您所见，Learner实际上只是在使用我们的标准训练循环，只是它还在适当的时间调用回调。所以让我们定义一些回调！

Callbacks（回调）

在Learner.__init__我们有

for cb in cbs: cb.learner = self

换句话说，每个回调都知道它在哪个学习者中使用。这很关键，否则回调无法从学习者那里获取信息，或改变学习者的内容。因为从学习者那里获取信息是如此普遍，我们通过定义Callback为 的子类来简化这一过程GetAttr，默认属性为learner：

class Callback(GetAttr): _default='learner'

GetAttr__getattr__是一个为您实现 Python 标准和方法的 fastai 类__dir__，因此无论何时您尝试访问不存在的属性，它都会将请求传递给您定义为_default.

例如，我们希望在 的开始自动将所有模型参数移动到 GPU fit。我们可以通过定义 before_fit为来做到这一点self.learner.model.cuda；但是，因为learner 是默认属性，而且我们SetupLearnerCB继承自 Callback（继承自GetAttr），我们可以删除.learner 并调用self.model.cuda：

class SetupLearnerCB(Callback):
    def before_batch(self):
        xb,yb = to_device(self.batch)
        self.learner.batch = tfm_x(xb),yb

    def before_fit(self): self.model.cuda()

在SetupLearnerCB中，我们还通过调用 to_device(self.batch)（我们也可以使用更长 的 ）将每个小批量移动到 GPU to_device(self.learner.batch)。但是请注意，在行 self.learner.batch = tfm_x(xb),yb中，我们不能删除 .learner，因为这里我们设置属性，而不是它。

在我们尝试之前Learner，让我们创建一个回调来跟踪和打印进度。否则，我们不会真正知道它是否正常工作：

class TrackResults(Callback):
    def before_epoch(self): self.accs,self.losses,self.ns = [],[],[]

    def after_epoch(self):
        n = sum(self.ns)
        print(self.epoch, self.model.training,
              sum(self.losses).item()/n, sum(self.accs).item()/n)

    def after_batch(self):
        xb,yb = self.batch
        acc = (self.preds.argmax(dim=1)==yb).float().sum()
        self.accs.append(acc)
        n = len(xb)
        self.losses.append(self.loss*n)
        self.ns.append(n)

现在我们准备好Learner第一次使用我们的了！

cbs = [SetupLearnerCB(),TrackResults()]
learn = Learner(simple_cnn(), dls, cross_entropy, lr=0.1, cbs=cbs)
learn.fit(1)

0 True 2.1275552130636814 0.2314922378287042

0 False 1.9942575636942674 0.2991082802547771

意识到我们可以Learner用这么少的代码实现 fastai 的所有关键思想，真是太神奇了！现在让我们添加一些学习率调度。

安排学习率

如果我们要获得好的结果，我们将需要 LR finder 和 1cycle 训练。这些都是退火 回调——也就是说，它们随着我们逐渐改变超参数 火车。这是LRFinder：

class LRFinder(Callback):
    def before_fit(self):
        self.losses,self.lrs = [],[]
        self.learner.lr = 1e-6

    def before_batch(self):
        if not self.model.training: return
        self.opt.lr *= 1.2

    def after_batch(self):
        if not self.model.training: return
        if self.opt.lr>10 or torch.isnan(self.loss): raise CancelFitException
        self.losses.append(self.loss.item())
        self.lrs.append(self.opt.lr)

这显示了我们如何使用CancelFitException，它本身是一个空类，仅用于表示异常类型。你可以看到Learner这个异常被捕获了。（您应该自己添加和测试CancelBatchException、CancelEpochException等。）让我们尝试一下，将其添加到我们的回调列表中：

lrfind = LRFinder()
learn = Learner(simple_cnn(), dls, cross_entropy, lr=0.1, cbs=cbs+[lrfind])
learn.fit(2)

0 True 2.6336045582954903 0.11014890695955222

0 False 2.230653363853503 0.18318471337579617

看看结果：

plt.plot(lrfind.lrs[:-2],lrfind.losses[:-2])
plt.xscale('log')

现在我们可以定义我们的OneCycle训练回调：

class OneCycle(Callback):
    def __init__(self, base_lr): self.base_lr = base_lr
    def before_fit(self): self.lrs = []

    def before_batch(self):
        if not self.model.training: return
        n = len(self.dls.train)
        bn = self.epoch*n + self.num
        mn = self.n_epochs*n
        pct = bn/mn
        pct_start,div_start = 0.25,10
        if pct<pct_start:
            pct /= pct_start
            lr = (1-pct)*self.base_lr/div_start + pct*self.base_lr
        else:
            pct = (pct-pct_start)/(1-pct_start)
            lr = (1-pct)*self.base_lr
        self.opt.lr = lr
        self.lrs.append(lr)

 我们将尝试 0.1 的 LR：

onecyc = OneCycle(0.1)
learn = Learner(simple_cnn(), dls, cross_entropy, lr=0.1, cbs=cbs+[onecyc])

让我们适应一下，看看它看起来如何（我们不会在书中展示所有输出——在笔记本中尝试一下以查看结果）：

learn.fit(8)

最后，我们将检查学习率是否遵循我们定义的时间表（如您所见，我们在这里没有使用余弦退火）：

plt.plot(onecyc.lrs);

结论

在本章中，我们通过重新实现 fastai 库的关键概念来探索它们是如何实现的。由于它大部分都是代码，你绝对应该通过查看本书网站上的相应笔记本来尝试对它进行试验。现在您知道它是如何构建的，下一步一定要查看 fastai 文档中的中级和高级教程，以了解如何自定义库的每一部分。