fast.ai认为现在的传授教化有两种「不良趋势」，让初学者望而生畏：
a)大量韶光学习各个部分的细节，学习的时候不知道它们能干什么，也就没兴趣了；
b)重视理论和背后的事理，根本没有培养兴趣就已经损失约念了；
fast.ai的创始人Jeremy不是理科生（学哲学的），不是顶级大学，也不是打算器、数序或者统计学博士。
「学习一年挥棒，并不会让你会打棒球」，以是fast.ai课程一开始就设计用极少的代码（5行）、极少的背景知识（懂python语法和高中数学）、极少的软件配置（用kaggle或者colab这种在线环境），立时开始完成一个「跟上当今主流」的机器学习运用，感想熏染它的神奇。
高密度的第一课原来以为一开始只是先容语法、手写数字识别或猫狗分类这样的入门，没想到一上来就利用了ResNet（一个50层、ILSVRC 2015年图像分类第一名的深度学习框架），确实是紧跟当今潮流。
而且一上来就先容了迁移学习的观点，让大家可以在课后做一些非常有趣的练习。
迁移学习深度学习须要超级大量的数据。如果你想做一些有趣的小运用，没有大量的数据就即是白瞎。那怎么办呢？
迁移学习便是办理这个问题的方法。你可以利用一个已经演习过的模型，这个模型虽然演习的数据跟你不同，但是它们有某些特点类似。由于这个预演习模型已经被大量数据演习过，已经有了很多「积累的履历」，只要给它很少量的新数据，就能很好地成为新运用的模型了。
打个比方，如果你是一个资深的c++程序员，虽然你从来没写过python代码，但是经由大略的1-2周学习后，你就能迅速上手完成工业级别的python程序。
我想做什么基于fast.ai第一课的内容，用大概300张图片写一个能区分这是足球鞋、篮球鞋还是跑鞋的代码，并达到很高的准确率（实际结果超过90%）。
可以看到这样的任务比猫狗分类繁芜很多的（很多机器学习入门的例子）。
0.数据准备迁移学习的魅力在于用小样本办理类似的新问题，于是我在图片搜索引擎上找了200张足球鞋、200张篮球鞋、200张跑步鞋的图片，用chrome的批量下图工具ImageAssistant下载好，存放成下面的样子：
个中train是演习数据（3种鞋100张），valid是测试数据（3种鞋100张），弄好往后上传到colab上（colab是google推出的一个免费在线jupyter notebook环境，不用折腾各种软件、库就能用GPU加速做机器学习的练习）。
1.写代码fast.ai强调写代码要快、要大略，下面我们看看到底有多大略。
引入必要的库
把文件上传往后做一点点的设置（这个在本地不须要，特殊针对colab）
下面开始写代码分类球鞋了
fast.ai演习模型的3步：
a)标准化数据，ImageDataBunch;
b)创建一个模型，这里用50层的深度学习模型ResNet50，cnn_learner(data, models.resnet50);
c)进行演习，learner.fit_one_cycle;
经由十来分钟的演习，可以看到error_rate（缺点率）已经低落到10%了。
我们用一个非常小的样本（300个）+迁移学习的方法+一个被1000多万张图片演习的50层深的模型=90%精确的球鞋分类器。
那你会不会好奇，它没有分类精确的10%到底是若何的呢？
第一个是跑鞋，机器认为是足球鞋。第二个是篮球鞋，机器认为是跑鞋。第三个是足球鞋，机器认为是跑鞋。当然，人类该当是都能分对的了（跑鞋透气，篮球鞋保护脚踝，足球鞋有钉）。
下面看几个分对的例子，看看你是不是也跟机器一样为难刁难了呢？
3.总结
代码量：10来行代码（核心6行）；
演习数据：300张演习数据+300张测试数据；
完成效果：90%的精确率，能分别给定的一张图是篮球鞋、足球鞋还是跑鞋；
球鞋分类显然是一个没啥用途的炫技例子，只是我为了加深课程理解临时凑的。这个思路用在垃圾分类上面该当能方便不少人吧（少样本的图片演习+大略的代码，彷佛看起来也没有多深奥嘛^_^）。
臭不要脸的自我介绍我叫黎晨，英文名LC，是我中文拼音的简称，跟LV并无关系；
性别男，遵纪遵法，无不良前科。我的很多朋友都说我是「去世变态」。以是我常常宅在家里不出去祸害社会。
为此，我向政府申请掩护社会公序良俗的褒奖，但还没有得到任何回答；
00年开始打仗互联网，可是很年轻。在互联网牛市造福浪潮中连小小的牛尾巴都没沾到，不过，我会连续努力的；
我的所有文章均为无版权声明。无须搜聚本人见地，可以随意修正转载。