上一篇 ，介紹了為什麼選擇FastAI，為什麼適合產品經理，為什麼值得學習這項技能。而寫這篇文章的目標是，看完了之後可以更好的看懂教程中的內容。
概覽
直接上例子，核心代碼一共3行：
data = ImageDataBunch.from_name_re(path_img, fnames, pat, ds_tfms=get_transforms(),size=224) learn = cnn_learner(data, models.resnet34, metrics=error_rate)learn.fit_one_cycle(4)
識別準確率是94.3%，在2012年，寵物識別的準確率才59%
核心步驟
- 創建圖像數據 databunch object
- 創建學習對象 learn object
- 開始訓練 fit one cycle
- 調試
- 保存之前的模型
- 數據糾錯
- 找到學習率
- 重新訓練
前3個就是訓練一個神經網絡必要的代碼，而之後的那些都是從各個角度去發現問題，然後提高準確率。
這裡還有幾個重要概念：
- 遷移學習 transfer learning：類似於大師已經提供了一套學習方法，我們在這基礎上訓練自己的學習方法；
- 錯誤率 error rate：就是驗證組數據，預測錯誤的百分比；
- 損失 loss：我形象的稱為打臉指數，就是越自信，但是卻預測錯誤，那loss就高
- 驗證組 validation set：數據一般分為訓練組和驗證組，驗證組就是用來驗證訓練好的模型的準確度，驗證組的數據是AI沒有見過的數據；
- 過度擬合 overfit：有點類似於牛肉吃多了，吃什麼都覺得像牛肉味……我舉不出更好的例子了，有想法記得給我留言；
- 學習率 learning rate：就類似於1個字1個字讀→一個個詞讀→一句句話讀，1個個字讀就屬於小的學習率，比較容易發現更細節的特徵點，而大的學習率會發現更宏觀的特徵點；
詳細講解
這節課的重點是跑通一個模型，並且調試到比較好的效果，最終將準確率提高到了95.8%。
Jeremy專門做了很多函數，可以一鍵導入數據，而不是在第一節課就製造N多阻礙，所以只要在Jupyter notebook裡一步步運行就一定可以跑通，但是每一步或者每一個參數代表什麼，是需要在實踐的過程中搞清楚的，前3個核心步驟基本看教程都很容易搞懂，不懂的查找文檔也很好理解。
這裡重點說下調試部分，首先需要保存一下現有訓練的結果：
learn.save('stage-1')
然後可以通過2種方式去調節模型，一是創建 解釋器interpretation，找到異常圖片，然後刪掉它（下節課才講如何刪）；二是找到合適的 學習率learning rate進行 微調fine-tuning。
先看解釋器，提到了2個函數：plot_top_loss 和 most_confused，第一個是把錯的最離譜的圖片都打出來，第二個是把猜錯次數最多的類別給打出來。這樣就非常容易發現問題，比如把出錯次數最多的打出來之後，發現這2種狗確實很接近，人的話也不是特別容易區分，這就可能需要單獨的大量的圖片訓練。
然後是fine-tuning，這裡是重點！！多強調一下，要想微調，就要搞清楚圖像識別的原理，或者叫CNN（convolutional neural network）卷積神經網絡的原理，作者拿出了Clarify的CEO發表的一片通過視覺化理解卷積網絡的論文，詳細介紹了其中的原理。
首先第一層的訓練，屬於學習率特別低的訓練，機器找到了邊緣的規律，發現這幾種顏色的漸變是特別常見的。
然後第二層，基於第一層找到的邊緣，發現這些邊緣的連接，比如直角或者一個弧形是比較有共性的東西。
然後第三層，基於第二層發現的線條，發現了各種形狀。
然後第四層第五層，感覺已經可以識別特定的形狀和特定的物體了，隨著層級的提高，能識別的共性圖像的複雜性也在提高，是因為學習率的提高，機器會選擇性的忽略細節，反而更多的關注宏觀的相似。
第一次訓練用的架構叫做ResNet34，是一個基於上百萬張圖片訓練了34層之後得到的一個通用的圖片識別模型。之前的訓練就是在這個模型之後增加個4個層，訓練之後的結果就已經非常不錯了，如果想變得更好，就只能將之前的模型解凍unfreeze，然後連貫起來重新訓練，並通過
learn.lr_find()learn.recorder.plot()
找到loss和lr的關係
這張圖可以看到當learning rate超過 10-4之後，loss明顯升高，就說明之前默認的0.003的lr偏高了，所以調整lr
learn.fit_one_cycle(2, max_lr=slice(1e-6,1e-4))
至於為什麼調到這個區間，之後的課程會將，而現在就是一個可以充分實踐的機會。
最後得出的準確率94.7%，比之前的94.3%只高了一點點，而95.8%的準確率是通過ResNet50來實現的，因為這個pre-train的模型跑了50層，識別率更高，但非常佔用計算機性能。
好了，草草的把介紹寫完了，很多東西沒法一篇文章寫完，一方面得自己多動手嘗試去感受，另一方面確實有些概念得逐漸理解，希望這篇文章讓你對FastAI運作的模式有了一個清晰的認識。
閱讀更多 增長浩克 的文章
