fastai
v2.7.18
Google Colab を使用すると、インストールなしで fastai を使用できます。実際、このドキュメントのすべてのページは、インタラクティブなノートブックとしても利用できます。ページの上部にある [Open in colab] をクリックして開きます (高速に実行するには、必ず Colab ランタイムを [GPU] に変更してください)。詳細については、Colab の使用に関する fast.ai ドキュメントを参照してください。
Linux または Windows を実行している限り、conda を使用して自分のマシンに fastai をインストールできます (強く推奨) (注意: Mac はサポートされていません)。 Windows の場合、重要な注意事項については「Windows での実行」を参照してください。
miniconda (または miniforge) の使用をお勧めします。まず、ここに示す conda 行を使用して PyTorch をインストールし、次を実行します。
conda install -c fastai fastai pip を使用してインストールするには、 pip install fastai使用します。
fastai を自分で開発する予定がある場合、または最先端を行きたい場合は、編集可能なインストールを使用できます (これを行う場合は、それに合わせて fastcore の編集可能なインストールも使用する必要があります)。まず PyTorch をインストールし、次に PyTorch をインストールします。 :
git clone https://github.com/fastai/fastai
pip install -e "fastai[dev]"
fastai (およびディープ ラーニング) を始める最良の方法は、本を読み、無料コースを完了することです。
fastai で何ができるかを確認するには、クイック スタートをご覧ください。約 5 行のコードを使用して、画像分類器、画像セグメンテーション モデル、テキストセンチメント モデル、レコメンデーション システム、および表形式モデルを構築する方法が示されています。各アプリケーションのコードはほぼ同じです。
チュートリアルを読んで、独自のデータセットで独自のモデルをトレーニングする方法を学びます。ナビゲーション サイドバーを使用して、fastai のドキュメントを参照してください。すべてのクラス、関数、メソッドがここに文書化されています。
ライブラリの設計と動機について学ぶには、査読済みの論文を読んでください。
fastai は、標準的な深層学習ドメインで最先端の結果を迅速かつ簡単に提供できる高レベルのコンポーネントを実務者に提供し、研究者に構築するために組み合わせて使用できる低レベルのコンポーネントを提供する深層学習ライブラリです。新しいアプローチ。使いやすさ、柔軟性、パフォーマンスに大きな妥協をすることなく、両方のことを実現することを目指しています。これは、慎重に階層化されたアーキテクチャのおかげで可能になり、多くの深層学習およびデータ処理技術の共通の基礎となるパターンを、分離された抽象化の観点から表現します。これらの抽象化は、基盤となる Python 言語のダイナミズムと PyTorch ライブラリの柔軟性を活用することで、簡潔かつ明確に表現できます。ファスタイには次のものが含まれます。
fastai は 2 つの主要な設計目標を中心に構成されています。それは、親しみやすく、迅速に生産性を高めると同時に、高度にハッキング可能で構成可能であることです。これは、構成可能なビルディング ブロックを提供する下位レベルの API の階層の上に構築されます。これにより、高レベル API の一部を書き換えたり、ニーズに合わせて特定の動作を追加したりするユーザーは、最下位レベルの使用方法を学ぶ必要がなくなります。
プレーンな PyTorch、Ignite、またはその他の PyTorch ベースのライブラリから移行したり、fastai を他のライブラリと組み合わせて使用したりすることも非常に簡単です。一般に、既存のデータ処理コードをすべて使用できますが、トレーニングに必要なコードの量を減らし、最新のベスト プラクティスをより簡単に活用できるようになります。ここでは、移行に役立ついくつかの人気のあるライブラリからの移行ガイドを紹介します。
Jupyter および Windows での Python マルチプロセッシングの問題により、Jupyter のハングを回避するために、 Dataloaderのnum_workersが自動的に 0 にリセットされます。このため、Windows 上の Jupyter でのコンピューター ビジョンなどのタスクは、Linux よりも何倍も遅くなります。スクリプトから fastai を使用する場合、この制限は存在しません。
Windows で fastai API を最大限に活用するには、この例を参照してください。
代わりに Windows Subsystem for Linux (WSL) を使用することをお勧めします。そうする場合は、通常の Linux インストール アプローチを使用でき、 num_workersに関する問題は発生しません。
テストを並行して実行するには、以下を起動します。
nbdev_test
すべてのテストに合格するには、settings.ini の dev_requirements の一部として指定された依存関係をインストールする必要があります。
pip install -e .[dev]
テストはnbdevを使用して作成されます。たとえば、 test_eqのドキュメントを参照してください。
このリポジトリのクローンを作成した後、ターミナルでnbdev_install_hooks実行していることを確認してください。これにより、Jupyter と git フックがインストールされ、ノートブック内のマージ競合を自動的にクリーンアップ、信頼、修正します。
リポジトリに変更を加えた後、 nbdev_prepareを実行し、すべてのテストに合格するために追加の必要な変更を加える必要があります。
このプロジェクトの公式 Docker コンテナに興味がある場合は、ここで見つけることができます。
