【使用Fastai开发和部署图像分类器应用( 二 )】介绍Fastai是一个流行的开源库_傻大方

按关键词阅读：

模型训练为了训练该图像数据集，使用了预训练的CNN模型。这种方法称为转移学习。杰里米（Jeremy）建议使用预先训练的模型，以加快训练速度并提高准确性。这尤其适用于计算机视觉问题。
learn = cnn_learner(data, resnet34, metrics=error_rate)learn.fine_tune(4) 使用Fastai开发和部署图像分类器应用文章插图
使用ResNet34体系结构，并根据错误率验证结果。由于使用预先训练的模型进行训练，因此使用微调方法而不是对模型进行拟合。
你可以运行更多时期，并查看模型的性能。选择正确的时期数以避免过拟合。
你可以尝试使用准确性（准确性= 1-错误率）来验证模型性能，而不是使用error_rate 。两者都用于验证模型的输出。在此示例中，保留了20％的数据用于验证。因此，该模型将仅对80％的数据进行训练。这是检查任何机器学习模型性能的非常关键的一步。你也可以通过更改ResNet层（选项为18、50、101和152）来运行此模型。除非你有一个大型数据集将产生准确的结果，否则这可能再次导致过拟合。
验证模型性能模型性能可以通过不同的方式进行验证。一种流行的方法是使用混淆矩阵。矩阵的对角线值指示每种类别的正确预测，而其他单元格值指示许多错误的预测。
interp = ClassificationInterpretation.from_learner(learn)interp.plot_confusion_matrix() 使用Fastai开发和部署图像分类器应用文章插图
Fastai提供了一个有用的功能，可以根据最高丢失率查看错误的预测。该函数的输出指示每个图像的预测标签，目标标签，丢失率和概率值。高概率表示模型具有较高的置信度。它在0到1之间变化。高丢失率表示模型性能有多差。
interp.plot_top_losses(5, nrows=1, figsize = (25,5)) 使用Fastai开发和部署图像分类器应用文章插图
另一个很棒的Fastai功能，ImageClassifierCleaner（GUI），它可以通过删除故障图像或重命名其标签来清除故障图像。这非常有助于数据预处理，从而提高了模型的准确性。
杰里米（Jeremy）建议在对图像进行基本训练后再运行此功能，因为这可以了解数据集中异常的种类。
from fastai.vision.widgets import *cleaner = ImageClassifierCleaner(learn)cleaner保存和部署模型训练完模型并对结果满意后，就可以部署模型了。要将模型部署到生产环境中，你需要保存模型体系结构以及对其进行训练的参数。为此，使用了导出方法。导出的模型另存为PKL文件，该文件是pickle（Python模块）创建的文件。
learn.export()从导出的文件中创建一个推理学习器，该学习器可用于将模型部署为应用程序。推理学习器一次预测一个新图像的输出。预测返回三个参数：预测类别，预测类别的索引以及每个类别的概率。
learn_inf = load_learner(path/'export.pkl')learn_inf.predict("img")(‘noCovid’, tensor(1), tensor([5.4443e-05, 9.9995e-01])) – prediction
有多种方法可以创建用于部署模型的Web应用程序。最简单的方法之一是使用作为GUI组件的IPython小部件在Jupyter notebook中为应用程序创建所需的对象。
from fastai.vision.widgets import *btn_upload = widgets.FileUpload()out_pl = widgets.Output()lbl_pred = widgets.Label()文章插图
【使用Fastai开发和部署图像分类器应用】设计应用程序元素后，请使用像Web应用程序一样运行Jupyter notebook的Voila来部署模型。它删除所有单元格输入，仅显示模型输出。要将notebook作为VoilàWeb应用程序查看，请将浏览器URL中的“notebook”一词替换为“ voila/render” 。必须在包含受过训练的模型和IPython小部件的同一notebook中安装和执行Voila 。
!pip install voila!jupyter serverextension enable voila --sys-prefix结论就这样，你已经使用fastai库构建并部署了一个很酷的图像分类器应用程序，只需八个步骤！这还只是我在本文中展示的冰山一角。有更多的fastai组件可用于与NLP和计算机视觉相关的各种深度学习用例，你可以探索这些组件。
以下是fastai学习资源，以及我的git repo ，其中包含本文中解释的图像分类器的代码和图像。