wehub-resource-sync
e9b1ce9866
6.0 KiB
Note
本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
English · 原始项目 · 上游 README
原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。
欢迎使用 fastai
安装
你可以通过 Google Colab. 使用 fastai，无需进行任何安装。实际上，本文档的每一页也都可以作为交互式 notebook 使用——点击任意页面顶部的「Open in colab」即可打开（请务必把 Colab 运行时改为「GPU」，这样才能快速运行！）。更多信息请参阅 fast.ai 文档中的 Using Colab。
你可以在自己的机器上通过以下方式安装 fastai：pip install fastai。
为确保你的机器上有最佳可用版本的 PyTorch，建议先安装 PyTorch。
如果你计划自行开发 fastai，或想使用最新前沿版本，可以使用可编辑安装（editable install）（如果这样做，你也应该对 fastcore 进行可编辑安装。）先安装 PyTorch，然后：
git clone https://github.com/fastai/fastai
pip install -e "fastai[dev]"
学习 fastai
入门 fastai（及深度学习）的最佳方式是阅读这本书,，并完成免费课程.。
要了解 fastai 能做什么，请查看 Quick Start,，它展示了如何用大约 5 行代码构建图像分类器、图像分割模型、文本情感分析模型、推荐系统和表格模型。对于每种应用，代码大体相同。
通读 Tutorials，学习如何在自己的数据集上训练模型。使用导航侧边栏浏览 fastai 文档。每个类、函数和方法都在此有文档说明。
要了解该库的设计与动机，请阅读同行评审论文.。
关于 fastai
fastai 是一个深度学习库，为实践者提供高级组件，可在标准深度学习领域快速、轻松地达到最先进（state-of-the-art）的结果；同时为研究者提供低级组件，可自由组合以构建新方法。它力求在易用性、灵活性和性能方面都不做重大妥协。这得益于精心设计的分层架构，将许多深度学习与数据处理技术的共同底层模式表达为解耦的抽象。借助底层 Python 语言的动态特性以及 PyTorch 库的灵活性，这些抽象可以简洁清晰地表达。fastai 包括：
- 面向 Python 的新型类型分派（type dispatch）系统，以及张量的语义类型层次结构
- 可用纯 Python 扩展的 GPU 优化计算机视觉库
- 将现代优化器的通用功能重构为两个基本部分的优化器，使优化算法可用 4–5 行代码实现
- 新型双向回调（callback）系统，可在训练过程中任意时刻访问并修改数据、模型或优化器的任意部分
- 新的 data block API
- 以及更多……
fastai 围绕两个主要设计目标组织：既易于上手、快速产出，又高度可定制、可配置。它构建在一套更低层 API 层次之上，提供可组合的基础模块。这样，想要重写部分高层 API 或添加特定行为以满足需求的用户，不必去学习如何使用最底层 API。
从其他库迁移
从纯 PyTorch、Ignite 或任何其他基于 PyTorch 的库迁移非常简单，也可以将 fastai 与其他库配合使用。通常，你可以继续使用现有的数据处理代码，同时减少训练所需代码量，并更轻松地采用现代最佳实践。以下是一些流行库的迁移指南，供你参考：
Windows 支持
由于在 Jupyter 和 Windows 上的 Python 多进程问题，num_workers of Dataloader 会自动重置为 0，以避免 Jupyter 挂起。这使得在 Windows 的 Jupyter 中进行计算机视觉等任务比 Linux 慢很多倍。如果从脚本使用 fastai，则不存在此限制。
请参阅此示例，以在 Windows 上充分利用 fastai API。
我们建议使用 Windows Subsystem for Linux（WSL）——如果这样做，你可以使用常规的 Linux 安装方式，并且不会对 num_workers 有任何问题。
测试
要并行运行测试，请执行：
nbdev_test
要让所有测试通过，你需要安装 settings.ini 中 dev_requirements 部分指定的依赖项。
pip install -e .[dev]
测试使用 nbdev 编写，例如请参阅 test_eq 的文档。
贡献
克隆本仓库后，请确保已在终端运行 nbdev_install_hooks。这会安装 Jupyter 和 git hooks，用于自动清理、信任 notebook 并修复合并冲突。
在仓库中做出更改后，应运行 nbdev_prepare，并进行额外且必要的修改，以通过所有测试。
Docker 容器
对本项目官方 docker 容器感兴趣的用户，可在此处.找到。