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。
640?wx_fmt=png
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。
640?wx_fmt=png
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）
640?wx_fmt=png
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。
640?wx_fmt=png
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。
640?wx_fmt=png
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。）
640?wx_fmt=gif
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。
640?wx_fmt=png
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。
640?wx_fmt=png
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。
640?wx_fmt=png
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。
640?wx_fmt=png
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。
640?wx_fmt=png
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
640?wx_fmt=png
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。
640?wx_fmt=png
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。
640?wx_fmt=png
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。
640?wx_fmt=png
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。
640?wx_fmt=png
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）。
640?wx_fmt=png
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。Python学习交流QQ群 302521268
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。
