FASTAI入门(如何快速构建一个神经网络)

本文介绍了如何使用FASTAI库进行快速图片分类,包括安装、数据预处理、ResNet模型应用、fine_tune和性能分析,如混淆矩阵和学习率调整。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

FASTAI

1.快速入门

安装库

pip install fastai

导入库

from fastai.vision.all import *
from fastai.text.all import *
from fastai.collab import *
from fastai.tabular.all import *

1.1图片分类–> 猫图片预测

path = untar_data(URLs.PETS)/'images'

def is_cat(x): return x[0].isupper()
dls = ImageDataLoaders.from_name_func(
    path, get_image_files(path), valid_pct=0.2, seed=42,
    label_func=is_cat, item_tfms=Resize(224))

learn = vision_learner(dls, resnet18, metrics=error_rate)
learn.fine_tune(1)

分析结果

#查看 top8 loss
interp = ClassificationInterpretation.from_learner(learn)
interp.plot_top_losses(k=8)

在这里插入图片描述

#查看cnfusion_matrix
interp.plot_confusion_matrix(figsize=(6,6))

在这里插入图片描述

1.2 分析代码

path = untar_data(URLs.PETS)

下载数据,返回数据集所在目录

files = get_image_files(path/"images")

获取path目录下/images文件

def label_func(f): return f[0].isupper()

数据处理函数,如果f的第一个字母为大写,则返回True,用到的数据集中首字母大写的为猫。

dls = ImageDataLoaders.from_name_func(path, files, label_func, item_tfms=Resize(224))

path为数据集路径,files为具体文件路径,label_func为对files进行的处理作为标签,item_tfms为图片的处理。

learn = vision_learner(dls, resnet34, metrics=error_rate)
learn.fine_tune(1)

使用数据集进行训练。

learn.predict(Path(r"C:\Users\qwrdxer\Pictures\Abyssinian_1.jpg"))

将图片地址转换为Path类型进行预测

使用lr_find来查找合适的学习率

在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值