從 2017 年開始，fast.ai 創(chuàng)始人、數(shù)據(jù)科學(xué)家 Jeremy Howard 以每年一迭代的方式更新“針對編程者的深度學(xué)習(xí)課程”（Practical Deep Learning For Coders）。這場免費的課程可以教大家如何搭建最前沿的模型、了解深度學(xué)習(xí)的基礎(chǔ)知識。直到今年已經(jīng)是第三個年頭了。

1 月 24 日，fast.ai 上線 2019 版深度學(xué)習(xí)新課程。據(jù)介紹，該課程 100% 全新，包括以前從未涵蓋過的深度學(xué)習(xí)入門課程，甚至其中某些技術(shù)成果還尚未發(fā)表學(xué)術(shù)論文。

如以往一樣，Jeremy Howard 公開了本次課程將涵蓋的所有細節(jié)內(nèi)容。他表示，本次課程共有七節(jié)，每節(jié)課大約 2 小時，當(dāng)然，預(yù)計完成課后作業(yè)的時間將有 10 小時。

課程將涉及的應(yīng)用案例

本次課程設(shè)計關(guān)鍵應(yīng)用包括：

計算機視覺（例如按品種分類寵物照片）

圖像分類

圖像定位（分割和激活圖）

圖像關(guān)鍵點

NLP（如電影評論情緒分析）

語言建模

文檔分類

表格數(shù)據(jù)（如銷售預(yù)測）

分類數(shù)據(jù)

連續(xù)數(shù)據(jù)

協(xié)作過濾（如電影推薦）

課程涵蓋的基礎(chǔ)

課程鏈接傳送：https://course.fast.ai

目標(biāo)人群：至少有一年的編程經(jīng)驗，且最好是 Python，fast.ai 還提供了Python 相關(guān)的學(xué)習(xí)資源。

第 1 課：圖像分類

該系列課程第一課，是訓(xùn)練一個能以最高精準(zhǔn)度識別寵物品種的圖像分類器。其中，遷移學(xué)習(xí)的使用時本次課程的基礎(chǔ)。我們將了解如何分析模型，以了解其失效模型，或許還能發(fā)現(xiàn)，模型出錯的地方與育種專家犯了相同的錯誤。

訓(xùn)練和分析寵物品種分類器

我們將討論課程的整體方法，這與先理論再實際應(yīng)用的方式不同，課程旨在先進行實際應(yīng)用再深入研究。

我們還將討論如何在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時設(shè)置最重要的超參數(shù)：學(xué)習(xí)率（這主要基于 Leslie Smith 的 learning rate finder）。最后，還會介紹“標(biāo)簽”的問題，并了解 fast.ai 所提供的功能，如可以輕松將標(biāo)簽添加到圖像中。

第 2 課：數(shù)據(jù)清洗與構(gòu)建；梯度下降法（SGD）

本節(jié)課程將學(xué)習(xí)如何使用自己的數(shù)據(jù)構(gòu)建圖像分類模型，主要包括以下幾方面：

圖像收集

并行下載

創(chuàng)建驗證集

數(shù)據(jù)清洗，通過模型找到數(shù)據(jù)問題

如下圖所示，我們可以創(chuàng)建一個可區(qū)分泰迪熊和灰熊任務(wù)的模型。

將模型投入生產(chǎn)

課程后半部分，將完整訓(xùn)練一個較為簡單的模型，同時創(chuàng)建一個梯度下降循環(huán)。（注：在此過程中，將學(xué)習(xí)到很多新的術(shù)語，所以請確保做好筆記，因為在整個課程中都會引用這個新術(shù)語。）

第3課：數(shù)據(jù)塊；多標(biāo)簽分類；分割

本節(jié)課開始將主要研究一個有趣的數(shù)據(jù)集，叫做“Planet’s Understanding the Amazon from Space”。為了將這些數(shù)據(jù)轉(zhuǎn)化為模型需要的形式，將使用 fast.ai 工具之一的數(shù)據(jù)塊 API。

Planet 數(shù)據(jù)集的一個重要特征是，它是一個多標(biāo)簽數(shù)據(jù)集。也就是說，每個Planet圖像可包含多個標(biāo)簽，而之前看過的數(shù)據(jù)集，每個圖像只有一個標(biāo)簽。此外，可能還需要對多標(biāo)簽數(shù)據(jù)集進行修改。

圖像分割模型的結(jié)果

接下來的圖像分割，是一個標(biāo)記圖像中每個像素的過程，其中一個類別顯示該像素描繪的對象類型。將使用與早期圖像分類類似的技術(shù)，所以不需要太多調(diào)整。

本課程中還會使用到 CamVid 數(shù)據(jù)集，該模型誤差遠低于在學(xué)術(shù)文獻中找到的任何模型。

假設(shè)：如果你的因變量是連續(xù)值而不是類別怎么辦？我們將重點回答這個問題，查看關(guān)鍵點數(shù)據(jù)集，并構(gòu)建一個精準(zhǔn)預(yù)測面部關(guān)鍵點的模型。

第 4 課：NLP；表格數(shù)據(jù)；協(xié)同過濾；嵌入（Embeddings）

使用 IMDb 電影評論數(shù)據(jù)集深入研究自然語言處理（NLP）。在這項任務(wù)中，目標(biāo)是預(yù)測電影評論是積極的還是消極的，這稱為“情緒分析”。此前，在 fast.ai 2018 課程里提到的 ULMFit 算法，對 NLP 的發(fā)展起著重要作用。紐約時報曾報道：“新系統(tǒng)開始瓦解自然語言的代碼。”ULMFiT 被認為是當(dāng)今最準(zhǔn)確的情緒分析算法。

基本步驟如下：

（首選）創(chuàng)建（或下載預(yù)訓(xùn)練的）語言模型，該模型在大型語料庫（如維基百科）上訓(xùn)練。（“語言模型”指的是學(xué)習(xí)預(yù)測句子下一個單詞的任意一種模型。）

使用目標(biāo)語料庫（案例為 IMDb 電影評論）微調(diào)該語言模型。

在微調(diào)語言模型中刪除編碼器，并用分類器進行替換。然后對微調(diào)該模型以完成最終分類任務(wù)（情緒分類）。

在學(xué)習(xí) NLP 的過程中，我們將通過覆蓋表格數(shù)據(jù)（如電子表格和數(shù)據(jù)庫表格）以及協(xié)作過濾（推薦系統(tǒng)）來完成使用的編碼器深度學(xué)習(xí)的實際應(yīng)用。

對于表格數(shù)據(jù)，我們還將看到如何使用分類變量和連續(xù)變量，以及如何使用 fast.ai. tabular 模塊來設(shè)置和訓(xùn)練模型。

在課程中期，我們主要研究了如何在每個關(guān)鍵應(yīng)用領(lǐng)域中構(gòu)建和解釋模型，包括：計算機視覺、NLP、表格數(shù)據(jù)、協(xié)同過濾等。

在課程的后半部分，我們將了解這些模型如何真正起作用、如何從頭開始創(chuàng)建的過程，會涉及以下幾部分：

激活

參數(shù)

圖層（仿射和非線性）

損失函數(shù)

第 5 課：反向傳播；加速SGD；構(gòu)建神經(jīng)網(wǎng)絡(luò)

本節(jié)課程中，將所有的訓(xùn)練融合在一起，以便討論反向傳播時準(zhǔn)確理解發(fā)生了什么，并利用這些只是從頭構(gòu)建一個簡單的神經(jīng)網(wǎng)絡(luò)。

在這個過程中，可以看到嵌入層的權(quán)重，以找出模型從分類變量的中學(xué)到了什么。

盡管嵌入在 NLP 的單詞嵌入環(huán)境中最廣為人知，但它們對一般的分類變量也同樣重要，例如表格數(shù)據(jù)或協(xié)同過濾。它們甚至可以與非神經(jīng)模型一起使用并取得巨大成功。

第 6 課：正規(guī)化；卷積；數(shù)據(jù)倫理

本節(jié)課主要討論一些改進訓(xùn)練和避免過度擬合的技術(shù)：

Dopout：在訓(xùn)練期間隨機刪除激活，使模型正規(guī)化

數(shù)據(jù)增強：在訓(xùn)練期間修改模型輸入，以便有效增加數(shù)據(jù)大小

批量標(biāo)準(zhǔn)化：調(diào)整模型的參數(shù)化，使損失表面更加平滑

單個圖像的數(shù)據(jù)增強示例

接下來，我們將學(xué)習(xí)有關(guān)卷積的所有內(nèi)容，卷積可被視為矩陣乘法的一種變體，也是現(xiàn)代計算機視覺模型的核心操作基礎(chǔ)。

我們將創(chuàng)建一個類激活圖。這是一個熱圖，顯示圖像的哪些部分在進行與測試時最重要。

卷積如何運作

最后，我們還將提到：數(shù)據(jù)倫理。同學(xué)們將了解到模型出錯的一些方法，尤其是反饋循環(huán)，其原因以及如何避免這些問題。我們還將研究數(shù)據(jù)偏差可能導(dǎo)致偏向算法的方式，并討論數(shù)據(jù)科學(xué)家可以而且應(yīng)該提出的問題，以確保他們的工作不會導(dǎo)致意外的負面結(jié)果。

美國司法系統(tǒng)中算法偏差的例子

第 7 課：構(gòu)建 ResNet、U-Net；生成對抗網(wǎng)絡(luò)

在最后一講中，我們將研究現(xiàn)代架構(gòu)中最重要的技術(shù)之一：跳躍連接（skip connection）。跳躍連接是 ResNet 最重要的應(yīng)用，其主要在課程中用于圖像分類，同樣它還是很多前沿成果的基石。

我們還將研究 U-Net 架構(gòu)，使用不同類型的跳躍連接極大改善了分段結(jié)果。

ResNet跳躍連接對損失表面的影響

然后，使用 U-Net 架構(gòu)來訓(xùn)練超分辨率模型。這是一種可以提高低質(zhì)量圖像分辨率的模型，該模型不僅會提高分辨率，還會刪除 jpeg 圖片上偽跡和文本水印。

為了使我們的模型產(chǎn)生高質(zhì)量的結(jié)果，需要創(chuàng)建一個自定義損失函數(shù)，其中包含特征損失（也稱為感知損失）以及 gram 損失。這些技術(shù)可用于許多其他類型的 圖像生成模型，例如圖像著色。

使用特征損失和 gram 損失的超分辨率結(jié)果

我們將了解到一種稱為生成性對抗性損失（用于生成性對抗性網(wǎng)絡(luò) GAN）的損失函數(shù)，可以在某些情況下以犧牲速度為代價來提高生成模型的質(zhì)量。

例如，上文提到的還未發(fā)表的一些論文中所涉及的應(yīng)用：

利用遷移學(xué)習(xí)，更快更可靠地訓(xùn)練 GAN

將架構(gòu)創(chuàng)新和損失函數(shù)方法以前所未有的方式進行結(jié)合

結(jié)果令人驚嘆，只需要幾個短短幾小時便可進行訓(xùn)練（與以前需要幾天的方法相比）。

一個循環(huán)神經(jīng)網(wǎng)絡(luò)

最后，我們還將學(xué)到如何從頭開始創(chuàng)建遞歸神經(jīng)網(wǎng)絡(luò)（RNN）。實際上，RNN 不僅是整套課程中 NLP 應(yīng)用的基礎(chǔ)模型，還被證明是規(guī)則的多層神經(jīng)網(wǎng)絡(luò)的一個簡單重構(gòu)。

課前須知：

1、Google Cloud 和微軟 Azure 作為贊助方，已將課程所需的全部功能集成到基于 GPU 的平臺上，并且提供“一鍵式”平臺服務(wù)，如 Crestle 和Gradient 服務(wù)。

2、完成第一堂課后，學(xué)生可以在自己的數(shù)據(jù)上訓(xùn)練圖像分類模型。整個上半部分重點是實用技術(shù)，僅展示在實踐中用到的技術(shù)相關(guān)理論知識；課程的后半部分，將深入研究理論。直到最后一節(jié)課，將學(xué)習(xí)構(gòu)建和訓(xùn)練一個 Resnet 的神經(jīng)網(wǎng)絡(luò)，以求接近最佳準(zhǔn)確性。

3、 課程使用 PyTorch 庫進行教學(xué)，可更輕松訪問推薦的深度學(xué)習(xí)模型最佳實踐，同時也可以直接使用所有底層的 PyTorch 功能。

4、學(xué)習(xí)內(nèi)容同樣適用于 TensorFlow/keras、CNTK、MXnet 或者任何其他深度學(xué)習(xí)庫的任何任務(wù)。

5、電腦需要連接到安裝了 fast.ai 庫的云 GPU 供應(yīng)商服務(wù)，或設(shè)置一個適合自己的 GPU。同時，還需要了解運行深度學(xué)習(xí)訓(xùn)練的 Jupyter Notebook 環(huán)境的基礎(chǔ)知識。

6、課程筆記本提供了新的交互式GUI，用于使用模型查找和修復(fù)錯誤標(biāo)記或錯誤收集的圖像。

7、（強烈）建議學(xué)院參加該課程的在線社區(qū)。