fastai v1.0学习文档（一）

此部分是笔者学习fastai文档关于图像部分的记录，只记录了笔者学习过程中觉得较为重要的东西，比较简略，可能并不适合其他人，详情还请参考fastai官方文档

fastai的简单使用

fastai的是一种建立在pytorch的顶层框架，类似于tensorflow的keras，其简化了建立神经网络的过程。fastai的主要对象是learner，其将数据与网络绑定，更加简便的实现训练等过程。
在fastai的vision模块中，主要包括四个子类，image,transfrom,data以及learner，来实现从数据预处理，数据集的定义，模型的建立以及训练等一系列过程。

示例：

from fastai.vision import *
path = untar_data(URLs.MNIST_SAMPLE)
data = ImageDataBunch.from_folder(path)
learn = create_cnn(data, models.resnet18, metrics=accuracy)
learn.fit(1)

Image子类

1. open_image可以打开并显示图像；

img = open_image('imgs/cat_example.jpg')
img

2. ImageSegment是Image的子类，其中包含了许多打开掩膜的函数。
3. ImageBBox是Image的另一个子类，可以打开用于目标检测的一些图像。
4. Image中还包含了许多用于可视化的函数，图像变换的函数

transforms子类

1. 一般使用get_transforms来进行图像增强，示例如下：

tfms = get_transforms(max_rotate=25)
len(tfms)

函数细节如下所示：

get_transforms(`do_flip`:bool=`True`, `flip_vert`:bool=`False`, `max_rotate`:float=`10.0`, `max_zoom`:float=`1.1`, `max_lighting`:float=`0.2`, `max_warp`:float=`0.2`, `p_affine`:float=`0.75`, `p_lighting`:float=`0.75`, `xtra_tfms`:Optional[Collection[Transform]]=`None`) → Collection[Transform]

data子类

通过DataBunch对象来定义数据集。

1. 读取文件名代表标签的图像数据，使用示例如下：

tfms = get_transforms(do_flip=False)
data = ImageDataBunch.from_folder(path, ds_tfms=tfms, size=24)

2. 读取标签储存在csv文件的图像数据，使用示例如下：

data = ImageDataBunch.from_csv(planet, folder='train', size=128, suffix='.jpg', sep=' ',
    ds_tfms=get_transforms(flip_vert=True, max_lighting=0.1, max_zoom=1.05, max_warp=0.))

3. 除此之外，还有许多读取数据的方式，详情参见文档。

learner子类

1. create_cnn可以快速创建一个迁移学习的模型，细节如下：

create_cnn(`data`:DataBunch, `arch`:Callable, `cut`:Union[int, Callable]=`None`, `pretrained`:bool=`True`, `lin_ftrs`:Optional[Collection[int]]=`None`, `ps`:Floats=`0.5`, `custom_head`:Optional[Module]=`None`, `split_on`:Union[Callable, Collection[ModuleList], NoneType]=`None`, `bn_final`:bool=`False`, `kwargs`:Any) → Learner

2. unet_learner建立一个动态的unet结构。

fastai模型

fastai集成了yolo的基础框架darknet，分割的unet