fast.ai上线2019深度学习新课程啦，100%全新前沿实战

从 2017 年开始，fast.ai 创始人、数据科学家 Jeremy Howard 以每年一迭代的方式更新“针对编程者的深度学习课程”（Practical Deep Learning For Coders）。这场免费的课程可以教大家如何搭建最前沿的模型、了解深度学习的基础知识。直到今年已经是第三个年头了。

1 月 24 日，fast.ai 上线 2019 版深度学习新课程。据介绍，该课程 100% 全新，包括以前从未涵盖过的深度学习入门课程，甚至其中某些技术成果还尚未发表学术论文。

如以往一样，Jeremy Howard 公开了本次课程将涵盖的所有细节内容。他表示，本次课程共有七节，每节课大约 2 小时，当然，预计完成课后作业的时间将有 10 小时。

课程将涉及的应用案例

本次课程设计关键应用包括：

计算机视觉（例如按品种分类宠物照片）

图像分类

图像定位（分割和激活图）

图像关键点

NLP（如电影评论情绪分析）

语言建模

文档分类

表格数据（如销售预测）

分类数据

连续数据

协作过滤（如电影推荐）

课程涵盖的基础

课程链接传送：https://course.fast.ai

目标人群：至少有一年的编程经验，且最好是 Python，fast.ai 还提供了Python 相关的学习资源。

第 1 课：图像分类

该系列课程第一课，是训练一个能以最高精准度识别宠物品种的图像分类器。其中，迁移学习的使用时本次课程的基础。我们将了解如何分析模型，以了解其失效模型，或许还能发现，模型出错的地方与育种专家犯了相同的错误。

训练和分析宠物品种分类器

我们将讨论课程的整体方法，这与先理论再实际应用的方式不同，课程旨在先进行实际应用再深入研究。

我们还将讨论如何在训练神经网络时设置最重要的超参数：学习率（这主要基于 Leslie Smith 的 learning rate finder）。最后，还会介绍“标签”的问题，并了解 fast.ai 所提供的功能，如可以轻松将标签添加到图像中。

第 2 课：数据清洗与构建；梯度下降法（SGD）

本节课程将学习如何使用自己的数据构建图像分类模型，主要包括以下几方面：

图像收集

并行下载

创建验证集

数据清洗，通过模型找到数据问题

如下图所示，我们可以创建一个可区分泰迪熊和灰熊任务的模型。

将模型投入生产

课程后半部分，将完整训练一个较为简单的模型，同时创建一个梯度下降循环。（注：在此过程中，将学习到很多新的术语，所以请确保做好笔记，因为在整个课程中都会引用这个新术语。）

第3课：数据块；多标签分类；分割

本节课开始将主要研究一个有趣的数据集，叫做“Planet’s Understanding the Amazon from Space”。为了将这些数据转化为模型需要的形式，将使用 fast.ai 工具之一的数据块 API。

Planet 数据集的一个重要特征是，它是一个多标签数据集。也就是说，每个Planet图像可包含多个标签，而之前看过的数据集，每个图像只有一个标签。此外，可能还需要对多标签数据集进行修改。

图像分割模型的结果

接下来的图像分割，是一个标记图像中每个像素的过程，其中一个类别显示该像素描绘的对象类型。将使用与早期图像分类类似的技术，所以不需要太多调整。

本课程中还会使用到 CamVid 数据集，该模型误差远低于在学术文献中找到的任何模型。

假设：如果你的因变量是连续值而不是类别怎么办？我们将重点回答这个问题，查看关键点数据集，并构建一个精准预测面部关键点的模型。

第 4 课：NLP；表格数据；协同过滤；嵌入（Embeddings）

使用 IMDb 电影评论数据集深入研究自然语言处理（NLP）。在这项任务中，目标是预测电影评论是积极的还是消极的，这称为“情绪分析”。此前，在 fast.ai 2018 课程里提到的 ULMFit 算法，对 NLP 的发展起着重要作用。纽约时报曾报道：“新系统开始瓦解自然语言的代码。”ULMFiT 被认为是当今最准确的情绪分析算法。

基本步骤如下：

（首选）创建（或下载预训练的）语言模型，该模型在大型语料库（如维基百科）上训练。（“语言模型”指的是学习预测句子下一个单词的任意一种模型。）

使用目标语料库（案例为 IMDb 电影评论）微调该语言模型。

在微调语言模型中删除编码器，并用分类器进行替换。然后对微调该模型以完成最终分类任务（情绪分类）。

在学习 NLP 的过程中，我们将通过覆盖表格数据（如电子表格和数据库表格）以及协作过滤（推荐系统）来完成使用的编码器深度学习的实际应用。

对于表格数据，我们还将看到如何使用分类变量和连续变量，以及如何使用 fast.ai. tabular 模块来设置和训练模型。

在课程中期，我们主要研究了如何在每个关键应用领域中构建和解释模型，包括：计算机视觉、NLP、表格数据、协同过滤等。

在课程的后半部分，我们将了解这些模型如何真正起作用、如何从头开始创建的过程，会涉及以下几部分：

激活

参数

图层（仿射和非线性）

损失函数

第 5 课：反向传播；加速SGD；构建神经网络

本节课程中，将所有的训练融合在一起，以便讨论反向传播时准确理解发生了什么，并利用这些只是从头构建一个简单的神经网络。

在这个过程中，可以看到嵌入层的权重，以找出模型从分类变量的中学到了什么。

尽管嵌入在 NLP 的单词嵌入环境中最广为人知，但它们对一般的分类变量也同样重要，例如表格数据或协同过滤。它们甚至可以与非神经模型一起使用并取得巨大成功。

第 6 课：正规化；卷积；数据伦理

本节课主要讨论一些改进训练和避免过度拟合的技术：

Dopout：在训练期间随机删除激活，使模型正规化

数据增强：在训练期间修改模型输入，以便有效增加数据大小

批量标准化：调整模型的参数化，使损失表面更加平滑

单个图像的数据增强示例

接下来，我们将学习有关卷积的所有内容，卷积可被视为矩阵乘法的一种变体，也是现代计算机视觉模型的核心操作基础。

我们将创建一个类激活图。这是一个热图，显示图像的哪些部分在进行与测试时最重要。

卷积如何运作

最后，我们还将提到：数据伦理。同学们将了解到模型出错的一些方法，尤其是反馈循环，其原因以及如何避免这些问题。我们还将研究数据偏差可能导致偏向算法的方式，并讨论数据科学家可以而且应该提出的问题，以确保他们的工作不会导致意外的负面结果。

美国司法系统中算法偏差的例子

第 7 课：构建 ResNet、U-Net；生成对抗网络

在最后一讲中，我们将研究现代架构中最重要的技术之一：跳跃连接（skip connection）。跳跃连接是 ResNet 最重要的应用，其主要在课程中用于图像分类，同样它还是很多前沿成果的基石。

我们还将研究 U-Net 架构，使用不同类型的跳跃连接极大改善了分段结果。

ResNet跳跃连接对损失表面的影响

然后，使用 U-Net 架构来训练超分辨率模型。这是一种可以提高低质量图像分辨率的模型，该模型不仅会提高分辨率，还会删除 jpeg 图片上伪迹和文本水印。

为了使我们的模型产生高质量的结果，需要创建一个自定义损失函数，其中包含特征损失（也称为感知损失）以及 gram 损失。这些技术可用于许多其他类型的 图像生成模型，例如图像着色。

使用特征损失和 gram 损失的超分辨率结果

我们将了解到一种称为生成性对抗性损失（用于生成性对抗性网络 GAN）的损失函数，可以在某些情况下以牺牲速度为代价来提高生成模型的质量。

例如，上文提到的还未发表的一些论文中所涉及的应用：

利用迁移学习，更快更可靠地训练 GAN

将架构创新和损失函数方法以前所未有的方式进行结合

结果令人惊叹，只需要几个短短几小时便可进行训练（与以前需要几天的方法相比）。

一个循环神经网络

最后，我们还将学到如何从头开始创建递归神经网络（RNN）。实际上，RNN 不仅是整套课程中 NLP 应用的基础模型，还被证明是规则的多层神经网络的一个简单重构。

课前须知：

1、Google Cloud 和微软 Azure 作为赞助方，已将课程所需的全部功能集成到基于 GPU 的平台上，并且提供“一键式”平台服务，如 Crestle 和Gradient 服务。

2、完成第一堂课后，学生可以在自己的数据上训练图像分类模型。整个上半部分重点是实用技术，仅展示在实践中用到的技术相关理论知识；课程的后半部分，将深入研究理论。直到最后一节课，将学习构建和训练一个 Resnet 的神经网络，以求接近最佳准确性。

3、 课程使用 PyTorch 库进行教学，可更轻松访问推荐的深度学习模型最佳实践，同时也可以直接使用所有底层的 PyTorch 功能。

4、学习内容同样适用于 TensorFlow/keras、CNTK、MXnet 或者任何其他深度学习库的任何任务。

5、电脑需要连接到安装了 fast.ai 库的云 GPU 供应商服务，或设置一个适合自己的 GPU。同时，还需要了解运行深度学习训练的 Jupyter Notebook 环境的基础知识。

6、课程笔记本提供了新的交互式GUI，用于使用模型查找和修复错误标记或错误收集的图像。

7、（强烈）建议学院参加该课程的在线社区。