fastai 官方教程之查看数据

本文为fastai官方教程编译版本。若有错误，欢迎指正。

总目录：

• 查看数据：本节为初级教程，介绍怎样快速的查看你的数据和模型预测结果。

• 推理学习器（Inference Learner）：本节为中级教程，介绍怎样为（模型）推理创建学习器。

• 自定义类ItemList（Custom ItemList）：本节为高级教程，介绍如何创建类ItemBase与类ItemList。

• 使用极小的代价实现深度学习：本节介绍如何使用较少的GPU资源实现推理，和避免重启笔记内核的时间。

查看数据

本文目录：

• 查看输入与输出
• 视觉任务
  • 分类问题
  • 多标签问题
  • 回归任务示例
  • 分割任务示例
• 文本任务
  • 语言模型
  • 文本分类
• 列表（Tabular）

查看输入与输出

在本节教程中，我们将介绍如何在一个API中查看视觉任务、文本任务或者列表应用中的模型输入与输出。我们将处理不同的任务，而且每次都在DataBunch中使用data block API来获取数据、查看如何使用show_batch方法查看部分输入、训练合适地Learner后用show_results方法查看模型的实际输出。

注意：照例，此页面从Notebook生成，您可以在fasti git分支（https://github.com/fastai/fastai）中docs_src文件夹找到该笔记。这些示例旨在快速运行，所以我们使用部分示例数据集（且使用ResNet18作为主干网络，不进行长时间训练）。您可以更改任一参数来进行自己的实验！

视觉

为了快速访问fastai内部的所有视觉函数，我们使用通用的 Import 语句：

from fastai.vision import *

分类问题

让我们使用MINIST手写体数据集作为示例数据集：

mnist = untar_data(URLs.MNIST_TINY)tfms = get_transforms(do_flip=False)

它是用imagenet结构建立的，因此我们使用它来加载我们的训练和验证数据集，然后对其进行标记、变换、将其转换为ImageDataBunch，最终对其进行规范化。

data = (ImageList.from_folder(mnist)
        .split_by_folder()          
        .label_from_folder()
        .transform(tfms, size=32)
        .databunch()
        .normalize(imagenet_stats))

在DataBunch中正确设置好您的数据之后，我们可以调用函数 data.showbatch() 查看（可视化）数据。

data.show_batch()

请注意，在显示带有标签的图像之前，图像会自动进行归一化处理（从文件夹名称推断）。如果默认值5太大，我们可以指定行数和限定图形的大小。

data.show_batch(rows=3, figsize=(4,4))

现在，让我们创建一个 Learner 对象来训练分类器。

learn = cnn_learner(data, models.resnet18, metrics=accuracy)learn.fit_one_cycle(1,1e-2)
learn.save('mini_train')

我们的模型迅速达到了91%左右的准确率，接下来让我们看下模型在一组验证样本上的表现。我们使用 show_results 方法实现。

learn.show_results()

由于验证集通常是经过 排序 的，因此我们仅获得了属于同一类的图像。然后，我们可以再次指定行数、图形大小以及要进行预测的数据集进行查看。

learn.show_results(ds_type=DatasetType.Train, rows=4, figsize=(8,10))

多标签问题

现在让我们使用planet数据集上进行演示，其（与其他数据集的）不同之处在于每个图像可以具有多个标签（而不仅仅是一个标签）

planet = untar_data(URLs.PLANET_TINY)
planet_tfms = get_transforms(flip_vert=True, max_lighting=0.1, max_zoom=1.05, max_warp=0.)

这里每张图片的标签都存储在labels.csv文件中。我们需要在文件名中添加前缀’train’和后缀’.jpg’，并设定每个标签之间用空格分开。

data = (ImageList.from_csv(planet, 'labels.csv', folder='train', suffix='.jpg')
        .split_by_rand_pct()
        .label_from_df(label_delim=' ')
        .transform(planet_tfms, size=128)
        .databunch()
        .normalize(imagenet_stats))

我们可以通过函数data.show_batch来查看数据。

data.show_batch(rows=2, figsize=(9,7))

然后我们可以相当轻松的创建Learner对象和进行尝试性训练。

learn = cnn_learner(data, models.resnet18)
learn.fit_one_cycle(5,1e-2)
learn.save('mini_train')

要查看实际的预测结果，我们只需要运行方法learn.show_results()即可。

learn.show_results(rows=3, figsize=(12,15))

回归问题

对于接下来这个示例，我们使用BIWI头部姿态（https://data.vision.ee.ethz.ch/cvl/gfanelli/head_pose/head_forest.html#db）数据集。在人物图像中，我们要找出人脸的中心。在fastai文档中，我们已经建立了一个包含有200张图像数据的BIWI数据集子样本集，同时将每个图像中的中心坐标对应文件名以字典的形式进行存储。

biwi = untar_data(URLs.BIWI_SAMPLE)
fn2ctr = pickle.load(open(biwi/'centers.pkl', 'rb'))

为了获取数据，我们使用这个字典去标记我们的项目。我们同样使用PointsItemList使目标类型为ImagePoints（用于确保可以正确的应用数据增强）。当调用函数transform时我们确保设置tfm_y=True.

data = (PointsItemList.from_folder(biwi)
        .split_by_rand_pct(seed=42)
        .label_from_func(lambda o:fn2ctr[o.name])
        .transform(get_transforms(), tfm_y=True, size=(120,160))
        .databunch()
        .normalize(imagenet_stats))

接着，我们可以使用data.show_batch()可视化我们的数据.

data.show_batch(row=3, figsize=(9,6))

我们在使用函数learn.show_results()之前先尝试性训练下我们的模型。

learn = cnn_learner(data, models.resnet18, lin_ftrs=[100], ps=0.05)
learn.fit_one_cycle(5, 5e-2)
learn.save('mini_train')

learn.show_results(rows=3)

分割示例

本节我们将使用camvid数据集（至少是其中的一部分数据），我们需要预测数据图像中的每一个像素点的类别。在“images”子文件夹中的每一幅图像都相当于对应的图像“labels”，也就是图像的分割掩码。

camvid = untar_data(URLs.CAMVID_TINY)
path_lbl = camvid/'labels'
path_img = camvid/'images'

我们从’codes.txt’文件中读取类别信息和每个图像与其相关掩码名称的映射关系。

codes = np.loadtxt(camvid/'codes.txt', dtype=str)
get_y_fn = lambda x: path_lbl/f'{x.stem}_P{x.suffix}'

数据模块API允许我们快速获取 DataBunch中的任何内容，同时我们可以通过函数show_batch查看。

data = (SegmentationItemList.from_folder(path_img)
        .split_by_rand_pct()
        .label_from_func(get_y_fn, classes=codes)
        .transform(get_transforms(), tfm_y=True, size=128)
        .databunch(bs=16, path=camvid)
        .normalize(imagenet_stats))

data.show_batch(rows=2, figsize=(7,5))

接下来，我们训练Unet网络几个轮次（epochs）。

注意：本次训练是相当不稳定的，使用更多地训练轮次与更全的数据集可以获得更好的结果。

learn = unet_learner(data, models.resnet18)learn.fit_one_cycle(3,1e-2)learn.save('mini_train')

总耗时（00:23）

learn.show_results()

文本

本节介绍在文本上的应用，同样地让我们从导入所有需要函数开始。

from fastai.text import *

语言模型

首先我们在imdb子数据集上微调（fine-tune）一个预训练模型。

imdb = untar_data(URLs.IMDB_SAMPLE)

data_lm = (TextList.from_csv(imdb, 'texts.csv', cols='text')
                   .split_by_rand_pct()
                   .label_for_lm()
                   .databunch())data_lm.save()

函数data.show_batch()同样也可以在这里使用。对于语言模型来说，它向我们展示了沿着批处理维度每个文本序列的开头（目标是猜下一个单词）。

data_lm.show_batch()

现在让我们定义一个语言模型学习器。

总耗时（Total time）：00:25

然后我们可以查看结果。它会显示确定数量的单词（默认20），以及之后的20个目标单词和预测的单词。

learn.show_results()

文本分类

本节介绍一个关于文本分类的例子。如果使用保存的编码器，我们要使用与语言模型相同的词汇表。

data_clas = (TextList.from_csv(imdb, 'texts.csv', cols='text', vocab=data_lm.vocab)
                   .split_from_df(col='is_valid')
                   .label_from_df(cols='label')
                   .databunch(bs=42))

这里通过函数 show_batch 显示了每次评审（review）的开始（信息）以及其目标（target）。

data_clas.show_batch()

然后我们可以使用之前的编码器训练一个分类器。

learn = text_classifier_learner(data_clas, AWD_LSTM)
learn.load_encoder('mini_train_encoder')
learn.fit_one_cycle(2, slice(1e-3,1e-2))learn.save('mini_train_clas')

总耗时（Total time）：00:25

learn.show_results()

列表

本节介绍列表数据中的应用范例。首先让我们导入全部所需要的函数。

from fastai.tabular import *

我们使用adult数据集（https://archive.ics.uci.edu/ml/datasets/adult）中的一部分数据。当我们读取csv文件时，我们需要指定相关变量、类别变量、连续变量和要使用的处理器。

adult = untar_data(URLs.ADULT_SAMPLE)df = pd.read_csv(adult/'adult.csv')
dep_var = 'salary'
cat_names = ['workclass', 'education', 'marital-status', 'occupation', 'relationship', 'race', 'sex', 'native-country']
cont_names = ['education-num', 'hours-per-week', 'age', 'capital-loss', 'fnlwgt', 'capital-gain']
procs = [FillMissing, Categorify, Normalize]

然后，我们可以使用数据块API在使用data.show_batch()之前获取所有内容。

data = (TabularList.from_df(df, path=adult, cat_names=cat_names, cont_names=cont_names, procs=procs)
                           .split_by_idx(valid_idx=range(800,1000))
                           .label_from_df(cols=dep_var)
                           .databunch())
data.show_batch()

这里我们可以得到尝试性训练后的tabular_learner。

learn = tabular_learner(data, layers=[200,100], metrics=accuracy)
learn.fit(5, 1e-2)
learn.save('mini_train')

总耗时（Total time）：00:19

我们可以使用learn.show_results()（查看结果）。