fastai
v2.7.18
您可以使用 Google Colab 來使用 fastai，無需任何安裝。事實上，本文檔的每一頁都可以作為互動筆記本使用- 單擊任何頁面頂部的“在colab 中打開”將其打開（請務必將Colab 運行時更改為“GPU”以使其運行速度更快！ ）有關更多信息，請參閱有關使用 Colab 的 fast.ai 文件。
只要您使用的是 Linux 或 Windows（注意：不支援 Mac），您就可以使用 conda 在自己的電腦上安裝 fastai（強烈建議）。對於 Windows，請參閱「在 Windows 上執行」以取得重要說明。
我們建議使用 miniconda（或 miniforge）。首先使用此處顯示的 conda 行安裝 PyTorch，然後執行：
conda install -c fastai fastai若要使用 pip 安裝，請使用： pip install fastai 。
如果您打算自己開發 fastai，或者想要處於最前沿，您可以使用可編輯安裝（如果您這樣做，您也應該使用 fastcore 的可編輯安裝來配合它。）首先安裝 PyTorch，然後：
git clone https://github.com/fastai/fastai
pip install -e "fastai[dev]"
開始使用 fastai（和深度學習）的最佳方法是閱讀本書並完成免費課程。
要了解 fastai 的功能，請查看快速入門，其中展示如何使用大約 5 行程式碼來建立圖像分類器、圖像分割模型、文字情緒模型、推薦系統和表格模型。對於每個應用程序，代碼都大致相同。
通讀教程，了解如何在您自己的資料集上訓練您自己的模型。使用導覽側邊欄查看 fastai 文件。每個類別、函數和方法都記錄在這裡。
要了解圖書館的設計和動機，請閱讀同行評審的論文。
fastai 是一個深度學習庫，它為從業者提供高級組件，可以快速、輕鬆地提供標準深度學習領域最先進的結果，並為研究人員提供可以混合和匹配構建的低級組件新方法。它的目標是在不犧牲易用性、靈活性或性能的情況下實現這兩件事。這要歸功於精心分層的架構，它以解耦抽象的形式表達了許多深度學習和資料處理技術的共同底層模式。利用底層 Python 語言的活力和 PyTorch 函式庫的彈性，可以簡潔、清晰地表達這些抽象。法泰包括：
fastai 圍繞著兩個主要設計目標進行組織：平易近人且快速高效，同時也具有深度可破解性和可配置性。它建構在較低層級 API 的層次結構之上，這些 API 提供可組合的建構塊。這樣，想要重寫部分高級 API 或添加特定行為以滿足其需求的用戶無需學習如何使用最低級別。
從普通的 PyTorch、Ignite 或任何其他基於 PyTorch 的庫遷移非常容易，甚至可以將 fastai 與其他庫結合使用。一般來說，您將能夠使用所有現有的資料處理程式碼，但能夠減少培訓所需的程式碼量，並更輕鬆地利用現代最佳實踐。以下是來自一些流行庫的遷移指南，可以幫助您順利完成遷移：
由於 Jupyter 和 Windows 上的 python 多重處理問題， Dataloader的num_workers自動重設為 0，以避免 Jupyter 掛起。這使得 Windows 上的 Jupyter 中的電腦視覺等任務比 Linux 上慢很多倍。如果您從腳本使用 fastai，則不存在此限制。
請參閱此範例以充分利用 Windows 上的 fastai API。
我們建議改用 Windows Subsystem for Linux (WSL) - 如果您這樣做，則可以使用常規 Linux 安裝方法，並且num_workers不會有任何問題。
若要並行運行測試，請啟動：
nbdev_test
為了通過所有測試，您需要安裝在 settings.ini 中作為 dev_requirements 的一部分指定的依賴項
pip install -e .[dev]
測試是使用nbdev編寫的，例如請參閱test_eq的文件。
複製此儲存庫後，請確保已在終端機中執行nbdev_install_hooks 。這將安裝 Jupyter 和 git hooks 以自動清理、信任和修復筆記本中的合併衝突。
在儲存庫中進行更改後，您應該執行nbdev_prepare並進行其他必要的更改，以便通過所有測試。
對於對該專案的官方 docker 容器感興趣的人，可以在這裡找到它們。
