之前的fastai的版本是0.7，而现在最新的fastai是1.0.6版本(稳定版)，最低Pytorch版本要求是1.0。而在fastai之前的版本使用的Pytorch版本是0.4.1。
在深度学习领域，最受学生欢迎的MOOC课程平台有三个：Fast.ai、deeplearning.ai /Coursera和Udacity。Fastai作为其中之一，是一个课程平台，一个讨论社区，也是一个PyTorc的顶层框架。Fastai的理念就是：Making neural nets uncool again，让神经网络没那么望而生畏，其课程也是采用项目驱动的方式教学。经过Fast.ai团队和PyTorch团队的共同努力，我们迎来了一个为计算机视觉、文本、表格数据、时间序列、协同过滤等常见深度学习应用提供单一一致界面的深度学习库。这意味着，如果你已经学会用fastai创建实用的计算机视觉（CV）模型，那你就可以用同样的方法创建自然语言处理（NLP）模型，或是软件支持的其他模型。 类似Keras，Fastai不只是将PyTorch功能封装了比较“亲切”的API，而是让PyTorch的强大之处易用了。
Fastai是一个课程平台，一个讨论社区，同样也是一个基于PyTorc的顶层框架。Fastai的理念就是让神经网络没那么望而生畏，其课程也是采用项目驱动的方式教学。（不同于很多深度学习课程先教授大量的数学基础，各有利弊。）
在今天的F8（Facebook开发者大会）上，深度学习框架PyTorch 1.0 rc1版如期发布。然而在海外的论坛上，另一个开源库的关注度不遑多让。
本文为译文，主要介绍安装问题。Fastai github原文地址：https://github.com/fastai/fastai/blob/master/README.md#is-my-system-supported
课程一详细笔记（https://github.com/hiromis/notes/blob/master/Lesson1.md）
“学习Fastai从哪开始？”这个问题可能并不合适。那么是不是要直接看第一个视频？并不是。
Anaconda指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。在官网上下载https://www.anaconda.com/distribution/，因为服务器在国外会很慢，建议从清华镜像https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/下载。
在Fastai框架下，其实完成了前文所说的数据准备工作，就已经完成了深度网络训练的一半工作。剩下的就是学习器的构建以及训练效果的分析，也就是模型训练的部分。
Fast.ai宣布推出Fastai 1.0完整版本，这是一个运行在Facebook的PyTorch框架之上的免费、开源深度学习库。
数据是深度学习的立足之本，本文主要介绍Fastai框架如何进行数据加载与数据预处理。
环境配置安装Anaconda、Visual Studio Code及Jupyter Notebook插件（略）。安装fastai库。conda install -c fastai fastai运行在Visual Studio Code中新建Jupyter Notebook。打印当前fast.ai版本信息，测试能否正常调用库。import fastai as fiprint(fi.__version__)
可以说，Fastai的出现给Kaggle上很多以迁移学习为主的比赛带来了新的方法，冲击了很多传统框架，因为Fastai的封装更多更详细，使用者更方便。本文以一个简单的分类赛为例，介绍如何在Kaggle中使用Fastai取得不错的成绩。本文只列举代码的细节，主要是Fastai解决视觉问题的Pipeline，具体框架用法不多设计，我的系列博客已经具体讲解了。
图像分类是一个认为几乎解决了的问题。有趣的是，你必须竭尽所能来提升额外的1%的准确率。当我参加“ Intel Scene Classification Challenge hosted by Analytics Vidhya(由Analytics Vidhya主办的英特尔场景分类挑战)”我非常喜欢这次比赛，因为我尝试从我的深度学习模型中榨干所有的潜力。下面的技术通常是可以应用到手头上的任何图像分类问题中去。
计算机视觉因其广泛的应用而成为人工智能领域中最具发展趋势的子领域之一。在某些领域，甚至它们在快速准确地识别图像方面超越了人类的智能。
深度学习如日中天，热帖天天有，眼花缭乱，应接不暇。各种线上线下课程也顺风而来、层出不穷，有从入门到进阶、到精通、到放弃的版本，有从小学到中学、到大学、到跳槽的版本。特别是一些收费课程，大都借鉴国外开放课程的资料，但经常断章取义、含糊其词，东拼乱凑，违背开放共享、尊重原创的开源精神。事实上，这些课程更像是国外优秀课程的低配版、甚至山寨版。结合自身的学习历程，我们以为，童鞋们当直接学习第一手的原版课程，同时我们极度推崇“费曼学习技巧”，即按照“明确目标->以教促学->化整为零->总结提炼”四个步骤不断地迭代学习。
在构建和部署模型以对皮肤病变图像进行分类时，将逐步进行。完成后用户可以将图像上传到网站，模型将对皮肤病变进行分类。
新版本完全对Fast.ai V1进行了重置，构建了全新的深度学习框架。更轻快、更灵活、更容易使用。
链接：https://www.jianshu.com/p/ab35ed21df87
这些东西开始%是对jupyter notebook本身的特殊指令，它们不是Python代码。它们被称为“魔法”。 表示
TensorFlow是深度学习框架无可争议的重量级冠军，PyTorch是年轻的新秀。
在这篇文章中，将讨论和实施Berthelot，Carlini，Goodfellow，Oliver，Papernot和Raffel [1]的“MixMatch：A Semiistic Approach to Semi-Supervised Learning;”。MixMatch于2019年5月发布，是一种半监督学习算法，其性能明显优于以前的方法。
答案是肯定的！在本文中，我们提出了一种灵活且低廉的方法来解决生物学问题，该方法非常适合业余科学家。我们充分利用了低成本的图像设备（FoldScope显微镜）、公共图像数据（Kaggle 数据库）和免费的数据分析工具（Kaggle Kernels）。
本文中，作者通过GitHub、Medium文章、arXiv论文和领英等维度评估了不同神经网络框架的最新发展趋势。
【摘要】本文介绍了作者在深度学习的课程中学到的八个非常有用的技巧。以下是译文。 我很开心自己在过去的2017年中在人工智能领域获得的成就。我也学了不少数学方面的知识，虽然这也很有趣，但由于没有做实际的项目，所以并没有什么成果可以说明我在这方面的努力。为了弥补这一点，我在4月份申请了AI Grant（译者注：AI Grant是一家专注于人工智能的风险投资公司），目的是为肯尼亚语言建立FastText skip-gram模型。我在第一轮就进入了决赛，但最终并没有获得奖金。 接着，在9月份，我申请了深度学习编码实
来源商业新知网，原标题：最新TensorFlow能碾压PyTorch？两大深度学习框架最全比拼
###1：简介 关于fast.ai: Python语言， 免费且完善的教程， 对深度学习的免费开源库， 为最受学生欢迎的MOOC课程平台之一， 致力于快速的解决实际问题， 接地气?。 官网：htt
Dynamic Control Flow in Large-Scale Machine Learning
最近，工程师Nidhin Pattaniyil和Reshama Shaikh写了一篇从零开始构建网页&App版食物识别AI的教程，有数据、有教程、有Demo，简洁好懂，赢得了大批推特网友点赞。
TensorFlow是毫无争议的深度学习框架重量级冠军，而PyTorch是年轻的后起之秀，赢的了不少人的青睐。
【导读】过去一个月里，我们对近 250 个机器学习开源项目进行了排名，并挑选出热度前 10 的项目。这份清单的平均 github star 数量高达 1345，涵盖了包括深度学习, Tensorflow, 图像分割, 漫画着色, 强化学习，Unity 等主题，希望你能从中找到一个你所感兴趣的项目深入探究。
【磐创AI 导读】：本篇文章介绍了一些深度学习框架，分析了哪种深度学习框架发展最快，希望对大家有所帮助。想要更多电子杂志的机器学习，深度学习资源，大家欢迎点击上方蓝字关注我们的公众号：磐创AI。
作者 | Jeff Hale 译者 | Monanfei 责编 | 夕颜 出品 | AI科技大本营（id：rgznai100）
当我第一次开始使用fastai时，我非常兴奋地建立并训练了一个深度学习模型，它可以在很短的时间内产生惊人的结果。
上周，来自UIUC的中国博士生Liyuan Liu提出了一种兼具Adam和SGD两者之美的新优化器RAdam，收敛速度快，还很鲁棒，一度登上了GitHub趋势榜。
翻译 | 付腾 林立宏 整理 | 凡江 在 2017 年我感到最开心的事情就是，我更多地通过实践来参与最新 AI 的发展，学到了很多的数学知识。这很有趣，但是却没有接触什么实践项目。因此，也没有什么东西能体现我付出的努力。 为了弥补这点，在四月份，我在 AI Grant（https://aigrant.org/ ）网站上申请了一个 AI 项目，目标是用 FastText（https://fasttext.cc/ ） 的 skip-gram 模型来为肯尼亚语建模。我获得了初选的决赛资格，但是，却没
目前深度学习模型能处理许多不同类型的问题，对于一些教程或框架用图像分类举例是一种流行的做法，常常作为类似“hello, world” 那样的引例。FastAI 是一个构建在 PyTorch 之上的高级库，用这个库进行图像分类非常容易，其中有一个仅用四行代码就可训练精准模型的例子。随着v1版的发布，该版本中带有一个data_block的API，它允许用户灵活地简化数据加载过程。今年夏天我参加了Kaggle举办的Freesound General-Purpose Audio Tagging 竞赛，后来我决定调整其中一些代码，利用fastai的便利做音频分类。本文将简要介绍如何用Python处理音频文件，然后给出创建频谱图像(spectrogram images)的一些背景知识，示范一下如何在事先不生成图像的情况下使用预训练图像模型。
过去一个月里，我们对近 250 个机器学习开源项目进行了排名，并挑选出热度前 10 的项目。这份清单的平均 github star 数量高达 1345，涵盖了包括深度学习, Tensorflow, 图像分割, 漫画着色, 强化学习，Unity 等主题，希望你能从中找到一个你所感兴趣的项目深入探究。
Fast AI库主要涉及神经网络在如下四个领域的应用：collab(协同滤波问题)、tabular(结构化数据或者说表格数据处理)、text(自然语言处理)、vision(机器视觉)。对每一领域(除了collab)，其下又会按照如下结构组织代码:
选自GitHub 作者：Wayde Gilliam 机器之心编译 本文作者详细描述了自己组装深度学习服务器的过程，从 CPU、GPU、主板、电源、机箱等的选取到部件的安装，再到服务器的设置，可谓面面俱
该团队的主要训练方法是：fast.ai 用于分类任务的渐进式调整大小和矩形图像验证；英伟达的 NCCL 库，该库整合了 PyTorch 的 all-reduce 分布式模块；腾讯的权重衰减调整方法；谷歌大脑的动态批量大小的一个变体，学习率逐步预热（Goyal 等人 2018、Leslie Smith 2018）。该团队使用经典的 ResNet-50 架构和具备动量的 SGD。
现在您了解了深度学习是什么、它的用途以及如何创建和部署模型，现在是时候深入了！在理想的世界中，深度学习从业者不必了解每个细节是如何在底层工作的。但事实上，我们还没有生活在理想的世界中。事实是，要使您的模型真正起作用并可靠地工作，您必须正确处理很多细节，并检查很多细节。这个过程需要能够在训练神经网络时查看内部情况，找到可能的问题，并知道如何解决它们。
最近使用conda时遇到一个问题：CondaHTTPError: HTTP 000 CONNECTION FAILED
本文[1] 主要想分享一些可能有助于提高计算机视觉任务模型训练速度和准确性的一般技巧或建议，这些建议是通过课程、阅读顶级文章或论文学习所得来的。
有一次，我在 twitter 上看到 Jeremy Howard 引用 Yann LeCun 关于 batch 大小的话：
特别感谢：如果没有来自 Tuatini GODARD（他是我的一名好朋友，同时也是一名活跃的自由职业者）的帮助，这个基准比较工作是不可能完成的。如果你想了解更多关于他的信息，可以阅读这篇访谈：
一直致力于AI教育的前Kaggle首席科学家、fast.ai创始人Jeremy Howard放出免费福利，将他今年在旧金山大学春季课程的AI课程讲义公布了。
从 Alex Krizhevsky 及其朋友通过 ImageNet 公布这项技术至今，不过才七年。ImageNet 是一个大规模图像识别竞赛，每年都会举办，识别种类达 1000 多种，从阿拉斯加雪橇犬到厕纸应用尽有。之后，他们又创建了 AlexNet，获得了 ImageNet 竞赛冠军，远超第二名。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频
