本文带你认识一个优秀的新深度学习框架，了解深度学习中最重要的3件事。

框架

看到这个题目，你可能会疑惑：老师，你不是讲过如何用深度学习做图像分类了吗？迁移学习好像也讲过了啊！

说得对！我要感谢你对我专栏的持续关注。我确实讲过深度学习做图像分类，以及迁移学习这两项内容。

写这篇文章，是因为最近因为科研的关系，发现了 fast.ai 这款框架。我希望把它介绍给你。

你可能会不解，之前介绍过的 TuriCreate, Tensorflow, tflearn 和 Keras 好像都挺好用的啊！

我想问问，你在实际的科研工作里，用过哪一个呢？

大多数的读者，只怕基本上都没真正用它们跑过实际的任务。

为什么呢？

因为对普通用户(例如我经常提到的“文科生”)，这些框架要么用起来很简单，但是功能不够强大；要么功能很强大，但是不够易用。

例如苹果的 TuriCreate ，我给你演示过，直接零基础上手都没问题。但当你希望对模型进行构造调整的时候，马上就会发现困难重重。因为其专长在于快速产生模型，并且部署到苹果移动设备，因此文档里面底层细节的介绍是有欠缺的。而且有些模型，非苹果平台目前还不能兼容。

至于某著名框架，直到推出3年后，在各方压力下，不得已才把好用的 Eager Execution 作为主要使用模式。其间充分体现了那种技术人员独有的傲慢和固执。另外，就连程序员和数据科学家们都把吐槽“看不懂”它的官方文档当作了家常便饭。这些轶事，由于公开发布会招致口水仗，所以我只写在了知识星球专属语雀团队《发现了一套非常棒的(该框架名称)视频教程》一文中。感兴趣的话，不妨去看看。

原本我认为， Keras 已经是把功能和易用性做到了最佳平衡了。直到我看到了 Jeremy Howard，也就是 fast.ai 创始人提出的评判标准——如果一个深度学习框架需要写个教程给你，那它的易用性还不够好。

我看了之后，可以用感动来形容。

Jeremy 说这话，不是为了夸自己——因为他甚至做了个 MOOC 出来。他自己评价，说目前 fast.ai 的易用性依然不算成功。但在我看来， fast.ai 是目前把易用性和功能都做到了极致的深度学习框架。

它的门槛极低。如同 TuriCreate 一样，你可以很轻易用几句话写个图片分类模型出来，人人都能立即上手。

它的天花板又很高。因为它只是个包裹了 Pytorch 的代码库。

你可能也听说了，在过去的一年里，Pytorch 在学术界大放异彩，就是因为它的门槛对于科研人员来说，已经足够友好了。如果你有需求，可以非常方便地通过代码的修改和复用，敏捷构造自己的深度学习模型。

这种积木式的组合方式，使得许多新论文中的模型，可以第一时间被复现验证。如果你在这个过程中有了自己的灵感和心得，可以马上实践。

且慢，fast.ai 的作者不是已经做了自己的 MOOC 了吗？那写这篇文章，岂不是多此一举？

不是的。

首先，作者每年迭代一个 MOOC 的版本，因为 MOOC 一共包括三门课程，分别是：

但现在你能看到的深度学习基础课，还是去年录的。今年10月，伴随着 Pytorch 1.0 的推出， fast.ai 做了一次显著的大版本(1.0)更新。如果你去看去年的课程，会发现和目前的 fast.ai 代码有很多区别。在完成同一个功能时，你愿意再跑去学旧的过时内容吗？特别是，如果搞混了，还很容易出错。

可是，想看到这个版本课程的免费视频，你至少得等到明年1月。因为目前正式学员们也才刚刚开课。

而且，那视频，也是英文的。

正因如此，我觉得有必要给你讲讲，如何用最新的 fast.ai 1.0 版本，来完成图像深度迁移学习。

数据

Jeremy 在 MOOC 中提到，如果你打算让机器通过数据来学习，你需要提供3样东西给它，分别是：数据(Data)

模型结构(Architecture)

损失度量(Loss Metrics)

模型结构，是根据你的具体问题走的。例如说，你需要让机器做图片分类，那么就需要使用卷积神经网络(Convolutional Neural Network)来表征图片上的像素信息构成的特征。如果你需要做自然语言处理，那么就可以使用循环神经网络(Recurrent Neural Network)来捕捉文本或者字符的顺序关联信息。

损失衡量，是指你提供一个标准，衡量机器对某项任务的处理水平。例如说对于分类效果如何，你可以使用交叉熵(Binary Cross Entropy)来评判。这样，机器会尝试最小化损失结果，从而让分类表现越来越好。

至于数据，因为我们这里的任务是做分类。因此需要有标注的训练数据。

我已经把本文需要用到的数据放到了这个 github 项目上。

打开其中的 imgs 文件夹，你会看见3个子文件夹，分别对应训练(train)，验证(valid)和测试(test)。

打开 train 文件夹看看。

你没猜错，我们用的图片还是哆啦A梦(doraemon)和瓦力(walle)。

因为这样不仅可以保持教程的一惯性，而且也可以保证结果对比的公平。

打开哆啦A梦的目录看看：

展示其中第一个文件内容。

好熟悉，是不是？

你可以浏览一下其他的哆啦A梦照片，然后别忘了去瓦力的文件夹里面扫上一眼。

这就是我们的数据集了。

环境

为了运行深度学习代码，你需要一个 GPU 。但是你不需要去买一个，租就好了。最方便的租用方法，就是云平台。

fast.ai 官方，给出了以下5种云计算平台使用选项：

其中，我推荐你使用的，是 Google Compute Platform 。原因很简单，首先它成本低，每小时只需要 0.38 美元。更重要的是，如果你是新用户， Google 会先送给你300美金，1年内有效。算算看，这够你运行多久深度学习？

原先，fast.ai 上面的设置 Google Compute Platform 教程写得很简略。于是我写了个一步步的教程，请使用这个链接访问。

不过，我发现 fast.ai 的迭代速度简直惊人，短短几天时间，新的教程就出来了，而且详尽许多。因此你也可以点击这里查看官方的教程。其中如果有跳步，你可以回看我的教程，作为补充。

因此，Google Compute Platform 中间步骤，咱们就不赘述了。当你的终端里面出现这样的提示的时候，就证明一切准备工作都就绪了。

下面，你需要下载刚刚在 github 上面的代码和数据集。

git clone https://github.com/wshuyi/demo-image-classification-fastai.git

之后，就可以呼叫 jupyter 出场了。

jupyter lab

注意因为你是在 Google Compute Platform 云端执行 jupyter ，因此浏览器不会自动弹出。

你需要打开 Firefox 或者 Chrome，在其中输入这个链接(http://localhost:8080/lab?)。

打开左侧边栏里面的 demo.ipynb。

本教程全部的代码都在这里了。当然，你如果比较心急，可以选择执行Run->Run All Cells，查看全部运行结果。

但是，跟之前一样，我还是建议你跟着教程的说明，一步步执行它们。以便更加深刻体会每一条语句的含义。

载入

我们先要载入数据。第一步是从 fast.ai 读入一些相关的功能模块。

from fastai import *

from fastai.vision import *

from fastai.core import *

接着，我们需要设置数据所在文件夹的位置，为 imgs 目录。

执行：

path = Path('imgs')

下面，我们让 fast.ai 帮我们载入全部的数据。这时我们调用 ImageDataBunch 类的 from_folder 函数，结果存储到 data 中：

data = ImageDataBunch.from_folder(path, test='test', ds_tfms=get_transforms(), size=224)

注意这里，我们不仅读入了数据，还顺手做了2件事：我们进行了数据增强(augmentation)，也就是对数据进行了翻转、拉伸、旋转，弄出了很多“新”训练数据。这样做的目的，是因为数据越多，越不容易出现过拟合(over-fitting)，也就是模型死记硬背，蒙混考试，却没有抓住真正的规律。

我们把图片大小进行了统一，设置成了 224 x 224 ，这样做的原因，是我们需要使用迁移学习，要用到预训练模型。预训练模型是在这样大小的图片上面训练出来的，因此保持大小一致，效果更好。

下面，检查一下数据载入是否正常：

data.show_batch(rows=3, figsize=(10,10))

没问题。图片和标记都是正确的。

训练

用下面这一条语句，我们把“数据”、“模型结构”和“损失度量”三样信息，一起喂给机器。

learn = ConvLearner(data, models.resnet34, metrics=accuracy)

数据就不说了，模型我们采用的是 resnet34 这样一个预训练模型作为基础架构。至于损失度量，我们用的是准确率(accuracy)。

你可能会纳闷，这就完了？不对呀！

没有告诉模型类别有几个啊，没有指定任务迁移之后接续的几个层次的数量、大小、激活函数……

对，不需要。

因为 fast.ai 根据你输入的上述“数据”、“模型结构”和“损失度量”信息，自动帮你把这些闲七杂八的事情默默搞定了。

下面，你需要用一条指令来训练它：

learn.fit_one_cycle(1)

注意，这里我们要求 fast.ai 使用 one cycle policy 。如果你对细节感兴趣，可以点击这个链接了解具体内容。

5秒钟之后，训练结束。

验证集准确率是，100%。

注意，你“拿来”的这个 resnet34 模型当初做训练的时候，可从来没有见识过哆啦A梦或者瓦力。

看了100多张形态各异，包含各种背景噪声的图片，它居然就能 100% 准确分辨了。

之前我们讲过机器学习的可解释性很重要。没错，fast.ai 也帮我们考虑到了这点。

preds,y = learn.get_preds()

interp = ClassificationInterpretation(data, preds, y, loss_class=nn.CrossEntropyLoss)

执行上面这两行语句，不会有什么输出。但是你手里有了个解释工具。

我们来看看，机器判断得最不好的9张图片都有哪些？

interp.plot_top_losses(9, figsize=(10,10))

因为准确率已经 100% 了，所以单看数值，你根本无法了解机器判断不同照片的时候，遇到了哪些问题。但是这个解释器却可以立即让你明白，哪些图片，机器处理起来，底气(信心)最为不足。

我们还能让解释器做个混淆矩阵出来：

interp.plot_confusion_matrix()

不过这个混淆矩阵好像没有什么意思。反正全都判断对了。

评估

我们的模型，是不是已经完美了？

不好说。

因为我们刚才展示的，只是验证集的结果。这个验证集，机器在迭代模型参数的时候每一回都拿来尝试。所以要检验最为真实的效能，我们需要让机器看从来没有看到过的图片。

你可以到 test 目录下面，看看都有什么。

注意这里一共6张图片，3张哆啦A梦的，3张瓦力的。

这次，我们还会使用刚才用过的 get_preds 函数。不过区别是，我们把 is_test 标记设置为 True，这样机器就不会再去验证集里面取数据了，而是看测试集的。

preds,y = learn.get_preds(is_test=True)

注意目录下面看到的文件顺序，是依据名称排列的。但是 fast.ai 读取数据的时候，其实是做了随机洗牌(randomized shuffling)。我们得看看实际测试集里面的文件顺序。

data.test_dl.dl.dataset.ds.x

好了，我们自己心里有数了。下面就看看机器能不能都判断正确了。

preds

这都啥玩意儿啊？

别着急，这是模型预测时候，根据两个不同的分类，分别给出的倾向数值。数值越大，倾向程度越高。

左侧一列，是哆啦A梦；右侧一列，是瓦力。

我们用 np.argmax 函数，把它简化一些。

np.argmax(preds, axis=1)

这样一来，看着就清爽多了。

我们来检查一下啊：瓦力，瓦力，哆啦A梦，哆啦A梦，哆啦A梦，哆啦A梦……

不对呀！

最后这一张，walle.113.jpg，不应该判断成瓦力吗？

打开看看。

哦，难怪。另一个机器人也出现在图片中，圆头圆脑的，确实跟哆啦A梦有相似之处。

要不，就这样了？

微调

那哪儿行？！

我们做任务，要讲究精益求精啊。

遇到错误不要紧，我们尝试改进模型。

用的方法，叫做微调(fine-tuning)。

我们刚刚，不过是移花接木，用了 resnet34 的身体，换上了一个我们自定义的头部层次，用来做哆啦A梦和瓦力的分辨。

这个训练结果，其实已经很好了。但是既然锁定了“身体”部分的全部参数，只训练头部，依然会遇到判断失误。那我们自然想到的，就应该是连同“身体”，一起调整训练了。

但是这谈何容易？

你调整得动作轻微，那么效果不会明显；如果你调整过了劲儿，“身体”部分的预训练模型通过海量数据积累的参数经验，就会被破坏掉。

两难啊，两难！

好在，聪明的研究者提出了一个巧妙的解决之道。这非常符合我们不只一次提及的“第一性原理”，那就是返回到事情的本源，问出一句：谁说调整的速度，要全模型都一致？！

深度卷积神经网络，是一个典型的层次模型。

模型靠近输入的地方，捕获的是底层的特征。例如边缘形状等。

模型靠近输出的地方，捕获的是高层特征，例如某种物体的形貌。

对于底层特征，我们相信哆啦A梦、瓦力和原先训练的那些自然界事物，有很多相似之处，因此应该少调整。

反之，原先模型用于捕获猫、狗、兔子的那些特征部分，我们是用不上的，因此越靠近输出位置的层次，我们就应该多调整。

这种不同力度的调整，是通过学习速率(learning rate)来达成的。具体到我们的这种区分，专用名词叫做“歧视性学习速率”(discriminative learning rate)。

你可能想放弃了，这么难！我不玩儿了！

且慢，看看 fast.ai 怎么实现“歧视性学习速率”。

learn.unfreeze()

learn.fit_one_cycle(3, slice(1e-5,3e-4))

对，只需在这里指定一下，底层和上层，选择什么不同的起始速率。搞定。

没错，就是这么不讲道理地智能化。

这次，训练了3个循环(cycle)。

注意，虽然准确率没有变化(一直是100%，也不可能提升了)，但是损失数值，不论是训练集，还是验证集上的，都在减小。

这证明模型在努力地学东西。

你可能会担心：这样会不会导致过拟合啊？

看看就知道了，训练集上的损失数值，一直高于验证集，这就意味着，没有过拟合发生的征兆。

好了，拿着这个微调优化过后的模型，我们再来试试测试集吧。

首先我们强迫症似地看看测试集文件顺序有没有变化：

data.test_dl.dl.dataset.ds.x

既然没有变，我们就放心了。

下面我们执行预测：

preds,y = learn.get_preds(is_test=True)

然后，观察结果：

np.argmax(preds, axis=1)

如你所见，这次全部判断正确。

可见，我们的微调，是真实有用的。

小结

本文为你介绍了如何用 fast.ai 1.0 框架进行图像深度迁移学习。可以看到， fast.ai 不仅简洁、功能强大，而且足够智能化。所有可以帮用户做的事情，它全都替你代劳。作为研究者，你只需要关注“数据”、“模型结构”和“损失度量”这3个关键问题，以改进学习效果。

我希望你不要满足于把代码跑下来。用你获得的300美金，换上自己的数据跑一跑，看看能否获得足够满意的结果。

祝(深度)学习愉快！

喜欢请点赞和打赏。还可以微信关注和置顶我的公众号“玉树芝兰”(nkwangshuyi)。

如果你对 Python 与数据科学感兴趣，不妨阅读我的系列教程索引贴《如何高效入门数据科学？》，里面还有更多的有趣问题及解法。