简单分类

• 简介
  • 在这个案例中将从手写集开始了解fastai的使用模式。
• 步骤
  • 获取数据集
    • fastai自带不少数据集，第一次使用需要下载。（本案例使用的是简化版数据集，只有3和7为二分类）
    • 代码

      •   mnist = untar_data(URLs.MNIST_TINY)  # 解压数据集并返回存放路径
          transform = get_transforms(do_flip=False)  # 得到一个翻转的转化器
          
          data = (ImageList.from_folder(mnist)
                  .split_by_folder()          
                  .label_from_folder()
                  .add_test_folder('test')
                  .transform(transform, size=32)
                  .databunch()
                  .normalize(imagenet_stats)) 
          print(type(data))
        

    • 可以看到，通过这段代码，得到了一个fastai最常用的数据结构ImageDataBunch。
  • 可视化数据集
    • 代码

      •   # 可视化数据
          # data.show_batch()  # 使用这种显示方法可能会溢出屏幕
          data.show_batch(rows=2, figsize=(2, 2))
        

    • 可以看到，显示的效果还不错，想要更好看，就去修改参数。
      • 
  • 构建模型并训练
    • 代码

      •   # 创建模型
          learn = cnn_learner(data, models.resnet18, metrics=accuracy)  # 创建模型，使用预训练模型
          learn.fit(epochs=15, lr=0.01)
          learn.save('mnist_train')
        

    • 演示结果
      • 
      • 可以看到，fastai的训练过程类似Keras那样提供了一个不错的进度条和结果表格。
      • 15轮的训练，模型已经有些过拟合了；将模型保存在了本地。
  • 利用模型进行预测分类
    • fastai对模型在新数据上的预测也提供了一个api。（总感觉将常用的都写好了）
    • 代码

      •   # learn.show_results()  # 这样显示屏幕也可能溢出
          learn.show_results(ds_type=DatasetType.Train, rows=4, figsize=(8,10))  # 这里指定数据分布类型为Train这样就不会显示有序数据而是打乱显示
        

    • 结果
      • 分类的效果还是不错的。
      • 
• 补充说明
  • 本案例使用Fastai框架，这是基于PyTorch的一个上层框架，是2019年以来一个流行的选择，官方文档地址给出，目前没有中文文档。
  • 本类框架案例均用代码和效果说话，关于神经网络的原理可以见我的其他博客。
  • 具体代码见我的Github，欢迎star或者fork。（开发环境为Jupyter，运行在Colab上，GPU为16G的T4）