之前一篇文章介绍了FastAI v0.7中处理dogscats数据集的过程。
这一篇则介绍一下FastAI v1.0版本变化后的dogscats图像分类的使用方法。相比较v0.7，v1.0整体来说api更加简洁清晰一些，特别是预测和评估的部分。
让我们开始吧
1.配置colab中的FastAI环境
!curl https://course.fast.ai/setup/colab | bash
2.导入包
from fastai import *
from fastai.vision import *
3.下载数据集文件
!wget http://files.fast.ai/data/dogscats.zip
4.解压数据集
!unzip dogscats.zip
5.加载数据集
path = "/content/dogscats/"
data = ImageDataBunch.from_folder(path,ds_tfms=get_transforms(), size=224,bs=32).normalize(imagenet_stats)
6.检查数据文件
data.show_batch(3,figsize=(8,8))
7.设置深度学习中的神经网络，选择预置的resnet50
learner = cnn_learner(data,models.resnet50,metrics=[accuracy])
8.显示训练结果
learner.fit(1)
这里需要稍等片刻，花了差不多8分半钟。
9.显示网络结构
print(learner.summary())
10.预测单张图片的结果
img = data.train_ds[0][0]
img.show()
learner.predict(img)
这里也可以使用upload方法上传本地图片来测试
v1.0中预测单张图片的方法似乎更加简单方便了。可以直接把图片传入predict方法中。
11.制作混淆矩阵
interp = ClassificationInterpretation.from_learner(learner)
interp.plot_confusion_matrix()
^^
参考：
https://github.com/adi0229/ML-DL/blob/master/dogcat_fastaiv3.ipynb
