深度學習 AI入門-1

初體驗

path = untar_data(URLs.PETS)  # 自動下載並解壓數據
fnames = get_image_files(path_img) # 得到路徑下所有的圖片

data.show_batch(rows=3, figsize=(7,6))  # 查看數據3行，顯示尺寸7,6
print(data.classes)  # 數據種類

手寫數據集識別：

import torch
from fastai import *
from fastai.vision import *

path = untar_data(URLs.MNIST_SAMPLE)
data = ImageDataBunch.from_folder(path)
learn = cnn_learner(data, models.resnet18, metrics=accuracy)
learn.fit_one_cycle(1)

learn.save('stage-1')  # 保存訓練的模型

interp = ClassificationInterpretation.from_learner(learn)
interp.plot_top_losses(9,figsize = (7,7)) # 打印損失最大的九個
interp.plot_confusion_matrix(figsize = (7,7))  # 繪製混淆矩陣

interp.most_confused(min_val=2)  # [('3', '7', 50), ('7', '3', 37)]

'''
most_confused
will simply grab out of the confusion matrix the particular 
combinations of predicted and actual that got wrong the most often. 
簡單地從混亂矩陣中找出預測和實際的特定組合，這些組合是最容易出錯的。
上面的3和7最容易出錯 （實際的，預測的，這種情況發生的次數）上面第一個表示實際上是7，
預測是3，錯了22次
'''
# 微調
'''
我們有時候需要微調，重新加了一些層進去後，如果你不解凍，它只會訓練新加的一些層，
#而不會訓練整個層，這是爲了讓訓練更快，而你要想訓練整個層的話，就要先解凍再訓練
'''
learn.unfreeze()
learn.fit_one_cycle(1)

learn.lr_find()  # 尋找最適合的學習率
learn.recorder.plot() # 並且畫圖表示出來

learn.unfreeze()
learn.fit_one_cycle(2, max_lr=slice(1e-6,1e-4))  # 這個學習率區間是看圖得出來的