把稳：照例，此页面从Notebook天生，您可以在fasti git分支（https://github.com/fastai/fastai）中docs_src文件夹找到该条记。
这些示例旨在快速运行，以是我们利用部分示例数据集（且利用ResNet18作为主干网络，不进行永劫光演习）。
您可以变动任一参数来进行自己的实验！

为了快速访问fastai内部的所有视觉函数，我们利用通用的 Import 语句：

from fastai.vision import

分类问题让我们利用MINIST手写体数据集作为示例数据集：

mnist = untar_data(URLs.MNIST_TINY)tfms = get_transforms(do_flip=False)

它是用imagenet构造建立的，因此我们利用它来加载我们的演习和验证数据集，然后对其进行标记、变换、将其转换为ImageDataBunch，终极对其进行规范化。

data = (ImageList.from_folder(mnist) .split_by_folder() .label_from_folder() .transform(tfms, size=32) .databunch() .normalize(imagenet_stats))

在DataBunch中精确设置好您的数据之后，我们可以调用函数 data.showbatch() 查看（可视化）数据。

data.show_batch()

请把稳，在显示带有标签的图像之前，图像会自动进行归一化处理（从文件夹名称推断）。
如果默认值5太大，我们可以指定行数和限定图形的大小。

data.show_batch(rows=3, figsize=(4,4))

现在，让我们创建一个 Learner 工具来演习分类器。

learn = cnn_learner(data, models.resnet18, metrics=accuracy)learn.fit_one_cycle(1,1e-2)learn.save('mini_train')

我们的模型迅速达到了91%旁边的准确率，接下来让我们看下模型在一组验证样本上的表现。
我们利用 show_results 方法实现。

learn.show_results()

由于验证集常日是经由排序的，因此我们仅得到了属于同一类的图像。
然后，我们可以再次指定行数、图形大小以及要进行预测的数据集进行查看。

learn.show_results(ds_type=DatasetType.Train, rows=4, figsize=(8,10))

多标签问题

现在让我们利用planet数据集上进行演示，其（与其他数据集的）不同之处在于每个图像可以具有多个标签（而不仅仅是一个标签）

planet = untar_data(URLs.PLANET_TINY)planet_tfms = get_transforms(flip_vert=True, max_lighting=0.1, max_zoom=1.05, max_warp=0.)

这里每张图片的标签都存储在labels.csv文件中。
我们须要在文件名中添加前缀'train'和后缀'.jpg'，并设定每个标签之间用空格分开。

data = (ImageList.from_csv(planet, 'labels.csv', folder='train', suffix='.jpg') .split_by_rand_pct() .label_from_df(label_delim=' ') .transform(planet_tfms, size=128) .databunch() .normalize(imagenet_stats))

我们可以通过函数data.show_batch来查看数据。

data.show_batch(rows=2, figsize=(9,7))

然后我们可以相称轻松的创建Learner工具和进行考试测验性演习。

learn = cnn_learner(data, models.resnet18)learn.fit_one_cycle(5,1e-2)learn.save('mini_train')

要查看实际的预测结果，我们只须要运行方法learn.show_results()即可。

learn.show_results(rows=3, figsize=(12,15))

回归问题对付接下来这个示例，我们利用BIWI头部姿态（https://data.vision.ee.ethz.ch/cvl/gfanelli/headpose/headforest.html#db）数据集。
在人物图像中，我们要找出人脸的中央。
在fastai文档中，我们已经建立了一个包含有200张图像数据的BIWI数据集子样本集，同时将每个图像中的中央坐标对应文件名以字典的形式进行存储。

biwi = untar_data(URLs.BIWI_SAMPLE)fn2ctr = pickle.load(open(biwi/'centers.pkl', 'rb'))

为了获取数据，我们利用这个字典去标记我们的项目。
我们同样利用PointsItemList使目标类型为ImagePoints（用于确保可以精确的运用数据增强）。
当调用函数transform时我们确保设置tfm_y=True.

data = (PointsItemList.from_folder(biwi) .split_by_rand_pct(seed=42) .label_from_func(lambda o:fn2ctr[o.name]) .transform(get_transforms(), tfm_y=True, size=(120,160)) .databunch() .normalize(imagenet_stats))

接着，我们可以利用data.show_batch()可视化我们的数据.

data.show_batch(row=3, figsize=(9,6))

我们在利用函数learn.show_results()之前先考试测验性演习下我们的模型。

learn = cnn_learner(data, models.resnet18, lin_ftrs=[100], ps=0.05)learn.fit_one_cycle(5, 5e-2)learn.save('mini_train')

learn.show_results(rows=3)

分割示例本节我们将利用camvid数据集（至少是个中的一部分数据），我们须要预测数据图像中的每一个像素点的种别。
在“images”子文件夹中的每一幅图像都相称于对应的图像“labels”，也便是图像的分割掩码。

camvid = untar_data(URLs.CAMVID_TINY)path_lbl = camvid/'labels'path_img = camvid/'images'

我们从'codes.***'文件中读取种别信息和每个图像与其干系掩码名称的映射关系。

codes = np.load***(camvid/'codes.***', dtype=str)get_y_fn = lambda x: path_lbl/f'{x.stem}_P{x.suffix}'

数据模块API许可我们快速获取 DataBunch中的任何内容，同时我们可以通过函数show_batch查看。

data = (SegmentationItemList.from_folder(path_img) .split_by_rand_pct() .label_from_func(get_y_fn, classes=codes) .transform(get_transforms(), tfm_y=True, size=128) .databunch(bs=16, path=camvid) .normalize(imagenet_stats))

data.show_batch(rows=2, figsize=(7,5))

接下来，我们演习Unet网络几个轮次（epochs）。

把稳：本次演习是相称不稳定的，利用更多地演习轮次与更全的数据集可以得到更好的结果。

learn = unet_learner(data, models.resnet18)learn.fit_one_cycle(3,1e-2)learn.save('mini_train')

总耗时（00:23）

learn.show_results()

本节先容在文本上的运用，同样地让我们从导入所有须要函数开始。

from fastai.text import

措辞模型首先我们在imdb子数据集上微调（fine-tune）一个预演习模型。

imdb = untar_data(URLs.IMDB_SAMPLE)

data_lm = (TextList.from_csv(imdb, 'texts.csv', cols='text') .split_by_rand_pct() .label_for_lm() .databunch())data_lm.save()

函数data.show_batch()同样也可以在这里利用。
对付措辞模型来说，它向我们展示了沿着批处理维度每个文本序列的开头（目标是猜下一个单词）。

data_lm.show_batch()

现在让我们定义一个措辞模型学习器。

总耗时（Total time）：00:25

然后我们可以查当作果。
它会显示确定数量的单词（默认20），以及之后的20个目标单词和预测的单词。

learn.show_results()

文本分类本节先容一个关于文本分类的例子。
如果利用保存的编码器，我们要利用与措辞模型相同的词汇表。

data_clas = (TextList.from_csv(imdb, 'texts.csv', cols='text', vocab=data_lm.vocab) .split_from_df(col='is_valid') .label_from_df(cols='label') .databunch(bs=42))

这里通过函数 show_batch 显示了每次评审（review）的开始（信息）以及其目标（target）。

data_clas.show_batch()

然后我们可以利用之前的编码器演习一个分类器。

learn = text_classifier_learner(data_clas, AWD_LSTM)learn.load_encoder('mini_train_encoder')learn.fit_one_cycle(2, slice(1e-3,1e-2))learn.save('mini_train_clas')

总耗时（Total time）：00:25

learn.show_results()

本节先容列表数据中的运用范例。
首先让我们导入全部所须要的函数。

from fastai.tabular import

我们利用adult数据集（https://archive.ics.uci.edu/ml/datasets/adult）中的一部分数据。
当我们读取csv文件时，我们须要指定干系变量、种别变量、连续变量和要利用的处理器。

adult = untar_data(URLs.ADULT_SAMPLE)df = pd.read_csv(adult/'adult.csv')dep_var = 'salary'cat_names = ['workclass', 'education', 'marital-status', 'occupation', 'relationship', 'race', 'sex', 'native-country']cont_names = ['education-num', 'hours-per-week', 'age', 'capital-loss', 'fnlwgt', 'capital-gain']procs = [FillMissing, Categorify, Normalize]

然后，我们可以利用数据块API在利用data.show_batch()之前获取所有内容。

data = (TabularList.from_df(df, path=adult, cat_names=cat_names, cont_names=cont_names, procs=procs) .split_by_idx(valid_idx=range(800,1000)) .label_from_df(cols=dep_var) .databunch())data.show_batch()

这里我们可以得到考试测验性演习后的tabular_learner。

learn = tabular_learner(data, layers=[200,100], metrics=accuracy)learn.fit(5, 1e-2)learn.save('mini_train')

总耗时（Total time）：00:19

我们可以利用learn.show_results()（查当作果）。

learn.show_results()