基於fastai的分類網絡

classify.fastai😏

Classifier based on fastai

歡迎訪問：https://github.com/pprp/classify.fastai/

字符識別分類器-基於fastai進行構造

以往的fastai教程都是很簡單的幾行進行一個模型的訓練，對初學者來講看起來很簡單。可是僅僅訓練一個分類的網絡是遠遠不夠的，咱們還須要各類指標對分類的效果進行評判。

這個庫集中了目前比較好的幾篇中文博客，而且在此基礎上查閱了fastai的API教程（😲可是不得不說 感受作的沒有keras對於tensorflow那樣好用，另外用的人感受不是不少。）進行綜合，主要是基於jupyter notebook進行編輯的，py文件也有，可是還不完善，歡迎pull request​ 😄

環境配置😋

建議使用anaconda3進行環境的配置和管理，目前使用的fastai以及pytorch都是最新版本的。連接

• pip安裝

  • pip install fastai
       pip install jupyter notebook jupyter_contrib_nbextensions

• conda安裝

  • conda install jupyter notebook
      conda install -c conda-forge jupyter_contrib_nbextensions

• 以後啓動命令jupyter notebook 而後在網頁中打開並運行便可。

主要功能😝

• 提供了數據，在data文件夾下，解壓便可使用
  • 若是須要跑本身的分類器，直接替換train,valid等文件夾下的內容便可。
  • 格式爲：每一個類別一個文件夾，文件夾內放置圖片。對命名沒有要求。
• 查找合適的learning rate
  • 該功能主要由fastai提供
  • 這個最低點就是合適的loss取值。（ps:有時候感受不許）
• 訓練模型只須要經過參數傳遞便可
  • vgg16_bn,vgg19_bn,alexnet
  • resnet18,resnet34,resnet50,resnet101,resnet152
  • squeezenet1_0,squeezenet1_1
  • densenet121,densenet169,densenet201,densenet161
• 訓練過程當中實時畫train-valid-loss圖（jupyter notebook很強大）

  • 像這種圖就屬於比較完美的，證實learning rate以及數據集安排都很合適。
  • 此外還會展現實時loss-error_rate-accracy等

• 完成訓練後loss可視化
• 訓練過程learning rate以及momentum可視化
• 查看主要有哪些圖像畫錯了top error
• 查看混淆矩陣
• 查看全部類別
• 將數據集部份內容可視化

說明😎

其中可能有不少內容沒法運行，因爲本人也是初學者，僅經過看博客與API進行fastai的學習，朋友們有時間能夠看fastai提供的課程，相信在裏邊會有詳細的講解。:hugs:

目前主要內容集中於train_notebook.ipynb文件中歡迎你們進行fork,star,pull requests。

待完成工做:thinking:

• [x] 訓練模型保存。

• [ ] 模型結構的設計與改動（嘗試了一點可是沒有解決bug）。
• [ ] 訓練模型的加載與預測。
• [ ] 更好的可視化支持。

• [ ] 更多的分類性能指標。