fastai 核心部件

一、ImageDataBunch 對數據封裝的很好,包括預處理都在這裏面完成了函數

 

二、models 現有模型及權重學習

2-1  create_body 能夠用來獲取現有模型的主體結構調試

2-2 create_head 能夠用來建立 分類器的全鏈接層,加了 flat, norm歸一化在裏面,效果比較好orm

三、learner, 數據,模型,loss函數與 學習方法的合體it

3-1 create_cnn 用來建立 fastai內置好的 lerner, 效果比較好。 以前沒徹底弄得,弄個模型就想網 create_cnn裏面塞,致使報錯,應該是 切分分層沒配置。ast

learner任意模型放到 learner裏面就能用,可是效果沒有 create_cnn的好。應該仍是 分層沒對的結果。這個還要調試。學習方法

四、遷移學習時的凍結和解凍  learn.freeze()learn.unfreeze()都有對分層作這裏,這就是還須要研究的地方。把learner的效果作成和 create_cnn的效果同樣。配置

cut 能夠是數字或者是返回骨架的一個函數——待會嘗試下model

split_on 是一個函數,急需驗證下——太神奇了,應用了該技術後,收斂明細加快。方法

def _resnet_split(m:nn.Module): return (m[0][6],m[1])

是分紅了3個group, 前面0-5,6到最後,而後是頭部

cut  -1,-2好些有點不對

相關文章
相關標籤/搜索