https://www.toutiao.com/a6673604688056680972/
上一篇产品经理也能动手实践的AI（一）- FastAI介绍，介绍了为什么选择FastAI，为什么适合产品经理，为什么值得学习这项技能。而写这篇文章的目标是，看完了之后可以更好的看懂教程中的内容。
概览
直接上例子，核心代码一共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)
识别准确率是94.3%，在2012年，宠物识别的准确率才59%
核心步骤
- 创建图像数据 databunch object
- 创建学习对象 learn object
- 开始训练 fit one cycle
- 调试
- 保存之前的模型
- 数据纠错
- 找到学习率
- 重新训练
前3个就是训练一个神经网络必要的代码，而之后的那些都是从各个角度去发现问题，然后提高准确率。
这里还有几个重要概念：
- 迁移学习 transfer learning：类似于大师已经提供了一套学习方法，我们在这基础上训练自己的学习方法；
- 错误率 error rate：就是验证组数据，预测错误的百分比；
- 损失 loss：我形象的称为打脸指数，就是越自信，但是却预测错误，那loss就高
- 验证组 validation set：数据一般分为训练组和验证组，验证组就是用来验证训练好的模型的准确度，验证组的数据是AI没有见过的数据；
- 过度拟合 overfit：有点类似于牛肉吃多了，吃什么都觉得像牛肉味……我举不出更好的例子了，有想法记得给我留言；
- 学习率 learning rate：就类似于1个字1个字读→一个个词读→一句句话读，1个个字读就属于小的学习率，比较容易发现更细节的特征点，而大的学习率会发现更宏观的特征点；
详细讲解
这节课的重点是跑通一个模型，并且调试到比较好的效果，最终将准确率提高到了95.8%。
Jeremy专门做了很多函数，可以一键导入数据，而不是在第一节课就制造N多阻碍，所以只要在Jupyter notebook里一步步运行就一定可以跑通，但是每一步或者每一个参数代表什么，是需要在实践的过程中搞清楚的，前3个核心步骤基本看教程都很容易搞懂，不懂的查找文档也很好理解。
这里重点说下调试部分，首先需要保存一下现有训练的结果：
learn.save('stage-1')
然后可以通过2种方式去调节模型，一是创建 解释器interpretation，找到异常图片，然后删掉它（下节课才讲如何删）；二是找到合适的 学习率learning rate进行 微调fine-tuning。
先看解释器，提到了2个函数：plot_top_loss 和 most_confused，第一个是把错的最离谱的图片都打出来，第二个是把猜错次数最多的类别给打出来。这样就非常容易发现问题，比如把出错次数最多的打出来之后，发现这2种狗确实很接近，人的话也不是特别容易区分，这就可能需要单独的大量的图片训练。
然后是fine-tuning，这里是重点！！多强调一下，要想微调，就要搞清楚图像识别的原理，或者叫CNN（convolutional neural network）卷积神经网络的原理，作者拿出了Clarify的CEO发表的一片通过视觉化理解卷积网络的论文，详细介绍了其中的原理。
首先第一层的训练，属于学习率特别低的训练，机器找到了边缘的规律，发现这几种颜色的渐变是特别常见的。
然后第二层，基于第一层找到的边缘，发现这些边缘的连接，比如直角或者一个弧形是比较有共性的东西。
然后第三层，基于第二层发现的线条，发现了各种形状。
然后第四层第五层，感觉已经可以识别特定的形状和特定的物体了，随着层级的提高，能识别的共性图像的复杂性也在提高，是因为学习率的提高，机器会选择性的忽略细节，反而更多的关注宏观的相似。
第一次训练用的架构叫做ResNet34，是一个基于上百万张图片训练了34层之后得到的一个通用的图片识别模型。之前的训练就是在这个模型之后增加个4个层，训练之后的结果就已经非常不错了，如果想变得更好，就只能将之前的模型解冻unfreeze，然后连贯起来重新训练，并通过
learn.lr_find()learn.recorder.plot()
找到loss和lr的关系
这张图可以看到当learning rate超过 10-4之后，loss明显升高，就说明之前默认的0.003的lr偏高了，所以调整lr
learn.fit_one_cycle(2, max_lr=slice(1e-6,1e-4))
至于为什么调到这个区间，之后的课程会将，而现在就是一个可以充分实践的机会。
最后得出的准确率94.7%，比之前的94.3%只高了一点点，而95.8%的准确率是通过ResNet50来实现的，因为这个pre-train的模型跑了50层，识别率更高，但非常占用计算机性能。
好了，草草的把介绍写完了，很多东西没法一篇文章写完，一方面得自己多动手尝试去感受，另一方面确实有些概念得逐渐理解，希望这篇文章让你对FastAI运作的模式有了一个清晰的认识。