Fasi.ai V1.0安装与使用

前言

fast.ai是一个深度学习的框架。它使用起来非常简单，是一种开箱即用的深度学习库。提供了海量的模型封装，还提供了一些pre-training的模型。开发者设计模型代价降低，还可以做一些迁移学习的研究。它也是一个开源的项目。官方Github。
简单来说就是为了让大家快速的搭建模型，设计模型，这也是名称的由来。
本人使用到fasi.ai解决的主要需求就是快速搭建baseline模型，无论是写论文还是设计算法需要一些baseline对比佐证自己设计的算法优势。现在的网络结构越来越复杂，有时候搭建baseline并不是一件容易的事情。在此之前本人喜欢用keras+tensorflow。而fast.ai可以理解为以pytroch为后端的前端框架，这是我的使用感觉。废话不多说，直接上教程。
（注意：现在国内网络上大多数是fast.ai 0.7的版本，我使用的是fast.ai 1.0的正式版。区别还是比较大的。）

安装

再次强调这个安装过程只对于fast.ai v1.0及以上版本。

conda

这是本人强烈推荐的一种安装方式。Anaconda是一种管理 python 版本以及外部依赖库的工具。安装之后已经提供了海量的包。通过conda一系列命令可以创建python虚拟环境，下载包文件等。

安装Anancoda

Anancoda 官网 https://www.anaconda.com/。下载对应版本的安装文件即可。

这里需要强调的是fast.ai v1.0需要Python> 3.6版本，所以我们选择Python 3.6 的版本。本人使用的是linux的服务器。使用

wget https://repo.continuum.io/archive/Anaconda3-2018.12-Linux-x86_64.sh

得到.sh脚本文件之后，使用命令。

bash Anaconda3-2018.12-Linux-x86_64.sh

然后一路回车，手速不要太快，这里有两个地方需要你输入yes。
第一个是同意条款，输入yes后回车。

需要注意的是第二个yes，意思是需不需要把Anaconda加入系统的环境变量中。

• yes Anaconda会加入到系统的配置文件中，带来的结果是，在系统目录下使用python命令，会自动启动Anaconda中的python。而不是系统的自带的。简单来说就是取代了你系统中的Python，这意味着你之前的项目的环境会发生变化，带来的好处是可以使用conda命令了。
• no 以后可以自己手动加入系统变量中，但是在没加入系统变量之前使用不了conda的命令了，并且需要使用其中的python也相对来说比较烦。
  我这里选择的yes。看客可以自行选择。
  安装成功后使用

conda list

如果没有报错就恭喜安装成功了。
为了下面步骤的进行。
需要把conda升级。

conda update conda

这里需要漫长时间检查环境配置的依赖关系，不要管它，也不要终止。升级成功后即可进行下面的步骤。

安装fastai

这里额外要注意服务器的CUDA版本要与pytroch cuda的版本相同即可（没有GPU的“贫民玩家”请忽略直接安装就可以了）。
如果大家的服务器CUDA版本是9.0以上。
直接使用命令

conda install -c pytorch -c fastai fastai

出去逛个街啥的估计就能够成功安装。（逛街之前需要输入一下yes），在这一步conda有可能改变python的版本，别慌。
但是有的童鞋的CUDA版本比较低怎么办？
首先需要确认CUDA的版本，然后使用命令。
比如说CUDA版本是8.0 那么就。

conda install -c pytorch pytorch cuda80

CUDA版本是10.0那么就

conda install -c pytorch pytorch cuda100

然后通过命令

conda install -c fastai fastai

它的安装相对来说也比较简单，但是如果你需要安装fast.ai <1.0版本的可不一样了。

pip安装

说实话，折腾了很久，我没有成功过，这里给出参考。大家成功了可以留言。（注意，给出的链接并非官方提供）

其他

在官方Github的README.md文件写的比较详细。

小例子

为了验证我们是否强烈建议大家使用jupyter玩fast.ai。fast.ai自带训练过程展示，看起来很高端炫酷。

启动jupyter-notebook

jupyter-notebook

如果服务器没有图形化的浏览器。可以通过下面命令把jupter-notebook暴露给外部浏览器访问。

jupyter-notebook --ip 0.0.0.0

会生成

http://0.0.0.0:8888/?token=f52ff040e4dc7d39b58ae1c9cb96d6******

把0.0.0.0改为服务器Ip，复制到浏览器即可访问。
比如服务器IP 10.89.198.1，URL为。

http://10.89.198.1:8888/?token=f52ff040e4dc7d39b58ae1c9cb96d6******

新建一个python文件

导入包

如果大家真的想学习的话，需要弄清楚每个方法，每个类在哪个包里，这是比较重要的。有兴趣看一下源码会更好。
这个小例子用到的包就这么多。

from fastai.datasets import untar_data
from fastai.datasets import URLs
from fastai.vision.data import ImageDataBunch
from fastai.vision.learner import create_cnn
from fastai.vision import models
from fastai.metrics import accuracy

下载数据集

经典的mnist数据集

path = untar_data(URLs.MNIST_SAMPLE) # 数据存放在 ~/.fastai/dataz中 

数据处理

data = ImageDataBunch.from_folder(path)

建立模型

这里直接使用的是resnet18，它会自动下载pretrained resnet18 model的网络结构

learn = create_cnn(data, models.resnet18, metrics=accuracy) #文件存放在  ~/.torch/models

训练模型

learn.fit(1) #1 是一个epoch

结果

后语

fast.ai 用于快速构建并且训练模型，所需代码量少，逻辑简单。
代码在Github上，喜欢就关注一下，持续更新新技术和项目。
https://github.com/SkullFang/Share-Technology/blob/master/fastai/fastai-demo_one.ipynb