python机器人学习模型（著名的零基础机器学习课程fast.ai）

python机器人学习模型（著名的零基础机器学习课程fast.ai）当我们开发第二门课《面向程序员的前沿深度学习》的时候，原来选的TensorFlow和Keras框架开始让我们处处碰壁。且听创始人Jeremy Howard详解缘由，也相当于分析了初学者该选择什么样的框架。量子位节选编译如下：刚刚，他们宣布了一件事。下一个fast.ai的课程，将完全基于一个使用PyTorch开发的框架，抛弃原来的TensorFlow和Keras框架。这是为什么？△ Jeremy Howard

李林 问耕 编译整理

量子位 出品 | 公众号 QbitAI

你知道fast.ai么？

他们以提供零基础的深度学习课程而闻名，宣称：只要你有高中数学基础、一年的编程经验，就能通过七周的学习，具备一流的深度学习实践能力。

刚刚，他们宣布了一件事。

下一个fast.ai的课程，将完全基于一个使用PyTorch开发的框架，抛弃原来的TensorFlow和Keras框架。这是为什么？

△ Jeremy Howard

且听创始人Jeremy Howard详解缘由，也相当于分析了初学者该选择什么样的框架。量子位节选编译如下：

我们为什么开始尝试PyTorch？

当我们开发第二门课《面向程序员的前沿深度学习》的时候，原来选的TensorFlow和Keras框架开始让我们处处碰壁。

为什么在PyTorch上构建一个新框架？

然而，对于课程的第一部分来说，PyTorch还远远谈不上是一个很好的选择。没有机器学习背景的人根本没法上手。

PyTorch没有Keras那样简单明了的API来训练模型，每个项目都需要几十行代码来实现一个神经网络的基础训练。另外，Keras的默认设置就挺有用，而PyTorch一切都需要详细设置。

不过，Keras还能更好。我们发现大家一直在Keras里犯相同的错误，例如不能在我们有需要时打乱数据，反之亦然。另外，很多新出的最佳实践并没有被纳入Keras，特别是在快速发展的自然语言处理（NLP）领域。

所以我们在想，能不能构建一个比Keras更好的东西，用来快速训练最棒的深度学习模型。

经过一些研究和探索后，我们做到了。我们构建的模型比用Keras构建的更快、更准确、更复杂，而且更少的代码写就。最近对多个领域论文进行的实现，都证明了这一点。

关键是创建一个OO分类，其中包含了所有重要的数据选择（例如预处理、增强、测试、训练和验证集、多类和单类的分类与回归等）以及模型架构的选择。

我们完成这个工作之后，就能在很大程度上自动找出模型与数据最佳的架构、预处理和训练参数。突然间，我们的工作效率大幅提升，而且很少犯错，因为一切都是自动化的。但是我们在每个阶段提供了定制化的能力，所以可以轻松尝试不同的方法。

随着工作效率的提升，我们能够尝试更多的技术，在这个过程中，我们发现了一些非常差的方法。例如，我们发现批量归一化（几乎所有最新CNN架构都用）和模型预训练及微调（每个项目也该用）的组合，可以让标准训练方式的精度下降500%。

我们稍后会逐步放出这个研究的详细情况。（我们还缺一个名字……）

— 完 —

诚挚招聘

量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。

量子位 QbitAI

վ'ᴗ' ի 追踪AI技术和产品新动态