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

 

二、models 現有模型及權重

2-1  create_body 能夠用來獲取現有模型的主體結構

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

三、learner, 數據，模型，loss函數與 學習方法的合體

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 切分和 分層沒配置。

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。

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。

cut 能夠是數字或者是返回骨架的一個函數——待會嘗試下

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。

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