FastAI 入门教程：DataBlock 与 lr_find

1. FastAI 的哲学

FastAI 的三条原则：

1. 类型派发(type dispatch)：框架检测你的数据类型（图像/文本/表格），自动应用最佳增强和预处理
2. 最佳实践内置：fine_tune() 内含差分学习率、渐进式解冻、1-cycle 策略
3. 声明式 > 命令式：描述"数据长什么样"而非"如何加载数据"

2. DataBlock：声明式数据管道

from fastai.vision.all import *

pets = DataBlock(
    blocks=(ImageBlock, CategoryBlock),           # 输入是图像，输出是类别
    get_items=get_image_files,                     # 如何获取所有样本
    splitter=RandomSplitter(seed=42),              # 如何划分训练/验证
    get_y=using_attr(RegexLabeller(r'^(.*)_\d+\.jpg$'), 'name'),  # 如何获取标签
    item_tfms=Resize(460),                         # 每个样本的变换
    batch_tfms=aug_transforms(size=224),          # 批量变换（含数据增强）
)
dls = pets.dataloaders(path/"images", bs=64)

DataBlock 的五要素：

要素	API	说明
blocks	(ImageBlock, CategoryBlock)	输入/输出类型
get_items	get_image_files	如何找数据
splitter	RandomSplitter(0.2)	如何分集
get_y	RegexLabeller(...)	如何提取标签
transforms	item_tfms / batch_tfms	数据变换

3. lr_find：自动找最佳学习率

learn = vision_learner(dls, resnet34, metrics=accuracy)
lr_min, lr_steep = learn.lr_find(suggest_funcs=(minimum, steep))
print(f"建议 lr: {lr_steep:.2e}")

规则：选择 loss 曲线最陡下降点，或 loss 最小点 ÷ 10。FastAI 的 fine_tune() 自动调用 lr_find。

4. fine_tune 内部原理

# learn.fine_tune(5) 等价于：

# Phase 1: 冻结 backbone，只训练 head（1 epoch）
learn.fit_one_cycle(1, lr_max=lr)       # 使用 lr_find 找到的 lr

# Phase 2: 解冻全部，差分学习率微调（4 epoch）
learn.unfreeze()
learn.fit_one_cycle(4, lr_max=slice(lr/100, lr/10))  # head 用 lr/10，backbone 用 lr/100

slice(a, b) 表示：最后层 lr=b，第一层 lr=a，中间指数衰减。这是 FastAI 最精妙的设计之一。

5. 常见任务速查

任务	模块	典型代码
图像分类	fastai.vision	vision_learner(dls, resnet34)
图像分割	fastai.vision	unet_learner(dls, resnet34)
文本分类	fastai.text	text_classifier_learner(dls, AWD_LSTM)
表格数据	fastai.tabular	tabular_learner(dls, layers=[200,100])
协同过滤	fastai.collab	collab_learner(dls, n_factors=50)

6. 测试时增强 (TTA)

preds, targs = learn.tta()  # 对测试样本做多个增强版本取平均
accuracy(preds, targs)

TTA 通常在验证集上提升 0.5%-2% 准确率，零成本。

7. FastAI vs Keras vs PyTorch 原生

维度	FastAI	Keras	PyTorch
上手速度	⭐⭐⭐	⭐⭐	⭐
内置 SOTA 技巧	⭐⭐⭐	⭐	⭐
自定义灵活性	⭐⭐	⭐⭐	⭐⭐⭐
生产部署	⭐⭐	⭐⭐⭐	⭐⭐⭐
教材配套	⭐⭐⭐（免费课）	⭐⭐	⭐

思考题

1. slice(lr/100, lr/10) 的差分学习率为什么 head 大、backbone 小？
2. DataBlock API 相比手写 PyTorch Dataset 的优势和局限是什么？
3. 什么时候用 fine_tune，什么时候用 fit_one_cycle？