介紹如何在 Linux 中安裝與使用 fastai 深度學習函式庫，使用 ResNet 預訓練模型辨識貓的圖片。
若要在 Miniconda 環境中安裝 fastai，可以執行：
# miniconda 環境安裝 fastai conda install -c fastchan fastai
若要在 Anaconda 環境中安裝 fastai，則可以執行：
# Anaconda 環境安裝 fastai conda install -c fastchan fastai anaconda
若要以 pip 安裝 fastai，則必須先安裝好 PyTorch 之後，再執行：
# pip 環境安裝 fastai
pip install fastai
在使用 fastai 函式庫進行深度學習的程式中，都會包含以下四個部分：
DataLoaders。Learner。fit() 方法。這樣的程式架構適用於各種不同類型的應用程式與資料集，雖然影用類型差異很大，但是程式碼的架構都類似。
以 untar_data() 函數下載 Oxford-IIIT Pet 資料集，解壓縮後取得影像路徑：
from fastai.vision.all import * # 下載 Oxford-IIIT Pet 資料集 path = untar_data(URLs.PETS)/'images'
由於在 Oxford-IIIT Pet 資料集中，貓類別的圖片檔案名稱都是以大寫字母開頭，而狗類別的圖片檔案名稱則是以小寫字母開頭，因此這裡我們自行定義一個產生標註影像用的函數，依據檔案名稱開頭大小寫來決定影像是否為貓類別，此函數將用於隨後的 ImageDataLoaders：
# 依據檔案名稱第一個字母大小寫產生標註 def is_cat(x): return x[0].isupper()
DataLoader在 fastai 中有非常多的類別可以用來處理不同的資料與問題，這裡我們使用 ImageDataLoaders 建立一個 DataLoader 來載入影像資料，並以 from_name_func() 方式搭配 is_cat() 來產生影像標註：
# 建立 DataLoader dls = ImageDataLoaders.from_name_func( path, get_image_files(path), valid_pct=0.2, seed=42, label_func=is_cat, item_tfms=Resize(224))
此處的影像轉換（transform）是以 item_tfms 參數指定以 Resize(224) 將每張影像轉為邊長為 224 的正方形圖片，另外也可以改用 batch_tfms 參數以 GPU 批次進行轉換，轉換速度會更快。
224 的正方形圖片，只是過去大家的習慣而已，某些舊的模型會要求圖片必須符合這樣的尺寸，但一般的情況下我們也可以採用其他尺圖片，較大的圖片會有較高的準確率，但也會耗費較多的計算資源，反之小圖片則準確率低、計算資源相對也較節省。而這裡的 valid_pct=0.2 代表保留 20% 的資料作為驗證用的資料，不要放入訓練過程，僅用於驗證模型的準確率，這些 20% 的資料稱為驗證資料集（validation set），而用於訓練的 80% 資料則稱為訓練資料集（training set）。
在預設的情況下，fastai 會以隨機的方式挑選 20% 的資料作為驗證資料集，而 seed=42 這個參數則是用來指定亂數種子，也就是說若指定相同的亂數種子，就可以產生相同的驗證資料集，當我們更改模型參數並重新訓練時，就可以用相同的驗證資料集來評估模型的準確率，方便比較模型的差異。
由於模型是根據訓練資料集所訓練出來的，模型本身就含有大量的訓練資料集資訊，因此在估算模型的準確率時，fastai 只會以驗證資料集來驗證模型，並不會使用到訓練資料集的資料，這樣才能估算出模型對於新資料的預測效果。
Learner接著建立一個 CNN 的 Learner，指定 CNN 網路模型、DataLoader、損失函數：
# 建立 Learner（指定模型、DataLoader、損失函數）
learn = cnn_learner(dls, resnet34, metrics=error_rate)
這裡我們採用 ResNet 的模型，而 34 是代表模型的層數，除了 34 之外，還有 18、50、101 與 152 可以選擇，層數越高則需要的訓練時間越久、也越有可能 overfitting，當資料量較大的時候才會較準確。
metrics 是代表使用驗證資料集進行模型驗證時，所採用的衡量基準，在每一個 epoch 結束時都會計算出這個 metric 值做為參考，以這個例子所採用的 error_rate 來說就是計算分類錯誤的比例，而另一個常見的 accuracy 則是分類正確的比例，也就是 1.0 - error_rate。fastai 中提供了很多種 metric 可供使用者選用，詳細說明可參考 fastai 的網頁。
cnn_learner() 中有一個 pretrained 參數，可以用來指定是否採用預訓練的模型，當參數設定為 True 的時候，fastai 會將最後一層移除，再添加一層或多層隨機的權重，通常使用預訓練模型可以有效提高模型的準確率，減少訓練時間。將預訓練模型用於不同的應用上就是所謂的遷移學習（transfer learning）。
最後使用 fine_tune() 進行模型的訓練，並指定要進行幾個 epoch 的訓練：
# 訓練模型 learn.fine_tune(1)
事實上 Learner 也有一個 fit() 函數，而這裡採用 fine_tune() 來訓練模型的原因是因為我們採用了預訓練模模型，fine_tune() 預設會先以一個 epoch 訓練部分的預訓練模型參數，讓添加的網路層能夠正確運作，再接著以指定數量的 epoch 訓練整個模型。
訓練完成之後，我們就可以使用這個模型進行預測了。我們使用 Wikimedia Commons 的一張貓的圖片作為示範，先下載這張圖片：
# 下載圖片
wget https://commons.wikimedia.org/wiki/File:A-Cat.jpg
接著使用 fastai 的 PILImage 載入圖片之後，以剛剛訓練好的模型進行預測：
# 載入圖片 img = PILImage.create("A-Cat.jpg") # 使用模型預測 is_cat,_,probs = learn.predict(img) print(f"是否為貓：{is_cat}.") print(f"是貓的機率：{probs[1].item():.6f}")
是否為貓：True. 是貓的機率：1.000000
以下是一個使用 fastai 搭配 CamVid 資料集訓練影像分割模型的範例程式，雖然應用不同，但整個程式架構也都很類似：
from fastai.vision.all import * # 下載 CamVid 資料 path = untar_data(URLs.CAMVID_TINY) # 建立 DataLoader dls = SegmentationDataLoaders.from_label_func( path, bs=8, fnames = get_image_files(path/"images"), label_func = lambda o: path/'labels'/f'{o.stem}_P{o.suffix}', codes = np.loadtxt(path/'codes.txt', dtype=str) ) # 建立 Learner learn = unet_learner(dls, resnet34) # 訓練模型 learn.fine_tune(8)
模型訓練完成之後，觀看幾筆模型預測的結果：
# 觀看 3 筆預測結果 learn.show_results(max_n=3, figsize=(7,8))
以下是使用 fastai 搭配 IMDb Large Movie Review Dataset 訓練自然語言處理模型的範例程式：
from fastai.text.all import * # 下載 IMDb Large Movie Review Dataset，建立 DataLoader dls = TextDataLoaders.from_folder(untar_data(URLs.IMDB), valid='test') # 建立 Learner learn = text_classifier_learner(dls, AWD_LSTM, drop_mult=0.5, metrics=accuracy) # 訓練模型 learn.fine_tune(4, 1e-2)
模型訓練完成之後，可以使用此模型來辨識句子是屬於正面還是反面：
# 辨識句子屬於正面或反面 learn.predict("I really liked that movie!")
('pos', tensor(1), tensor([0.0041, 0.9959]))
這裡的結果中，第一個 'pos' 代表預測結果為正面（positive），而第二個 tensor(1) 則是代表 'pos' 的索引，而最後一個 tensor([0.0041, 0.9959]) 則代表負面與正面的機率分別為 0.41% 與 99.59%。
以下是拿 Adult Data Set 資料集，以 fastai 訓練模型並預測一個人是否為高收入族群的範例：
from fastai.tabular.all import * # 下載 Adult Data Set path = untar_data(URLs.ADULT_SAMPLE) # 建立 DataLoader dls = TabularDataLoaders.from_csv(path/'adult.csv', path=path, y_names="salary", cat_names = ['workclass', 'education', 'marital-status', 'occupation', 'relationship', 'race'], cont_names = ['age', 'fnlwgt', 'education-num'], procs = [Categorify, FillMissing, Normalize]) # 建立 Learner learn = tabular_learner(dls, metrics=accuracy)
這裡在使用 TabularDataLoaders 建立 DataLoader 的時候，必須區分連續型（continuous）與類別型（categorical）的變數。
在這個例子中並沒有預訓練模型，所以我們改用 fit_one_cycle() 來進行模型訓練，從頭開始訓練模型時，時常都會使用這種方式。
# 訓練模型 learn.fit_one_cycle(3)
訓練完成之後，觀看幾筆預測結果：
# 觀看幾筆預測結果
learn.show_results()
以下是拿 MovieLens 資料集，以 fastai 訓練模型並預測人對於電影喜好程度的範例，也就是一個推薦系統：
from fastai.collab import * # 下載 MovieLens 資料集 path = untar_data(URLs.ML_SAMPLE) # 建立 DataLoader dls = CollabDataLoaders.from_csv(path/'ratings.csv') # 建立 Learner learn = collab_learner(dls, y_range=(0.5,5.5)) # 訓練模型 learn.fine_tune(10) # 觀看幾筆預測結果 learn.show_results()
由於這個例子所輸出的預測值屬於連續型的分數，所以在建立 Learner 要加上 y_range 參數指定輸出值的範圍。
雖然這個例子也沒有使用預訓練模型，但是仍然可以使用 fine_tune() 來訓練模型，有時候我們可以直接嘗試使用分別 fine_tune() 與 fit_one_cycle() 來訓練模型，選擇結果比較好的來使用。
若要查詢 fastai 中各種函數的使用說明，除了可以從 fastai 官方網站查詢之外，也可以使用 doc() 函數來查詢，例如若要查詢 learn.predict() 函數的使用方式，則可執行：
# 查詢函數使用方法
doc(learn.predict)
fastai 中內建了許多常用的資料集，包含影像分類、自然語言處理、影像分割、聲音分類、醫學影像等各類的資料集，詳細的資料集說明可以參考 fastai 的網頁。