本文将一步步建立和训练一个深度学习模型，以达到分类猫和狗的目的。阅读者只要有一些高中数学基础和python编程经验就足够了！
1.安装程序
为了简单起见，我们将在云GPU(什么是GPU)上运行模型。可以通过以下链接了解GPU在深度学习中的重要性：https://towardsdatascience.com/what-is-a-gpu-and-do-you-need-one-in-deep-learning-718b9597aa0d 。
有很多服务提供免费和付费的云GPU实例。我们将使用Gradient，它提供免费的GPU和CPU实例层。我们也将使用fast.ai的vision库来创建模型。
- 首先点击这里创建一个Gradient帐户:https://console.paperspace.com/signup?gradient=true ；
- 登录你的帐户并选择“Gradient”；
- 单击“Notebook”；
- 为实例命名(可选)；
- 选择Paperspace + Fast.AI基本容器；
- 选择任意一个免费的GPU实例；
- 单击“Create Notebook”；
你的Notebook 将从挂起→设置→运行！
- 单击“OPEN V1(CLASSIC)”按钮；
对于这个模型，我们将从Bing和DuckDuckGo上获取图像，它们将作为数据集。我们将安装Joe Dockrill编写的jmd_imagescraper库，这将为我们完成任务。
- 单击 New →Terminal。
键入并单击enter：
!pip install -q jmd_imagescraper
有关库的更多信息，请访问其官方页面：https://joedockrill.github.io/blog/2020/09/18/jmd-imagescraper-library/
这把我们带到了设置的最后。关闭终端，再次打开Notebook。编码时间到了！
Jupyter Notebook
Jupyter Notebook是一个web应用程序，允许你创建包含实时代码、公式和文本的文档。你可以做任何事情，从编写代码到发布，以及使用Voilá构建独立的web应用程序！我们将在Gradient提供的Jupyter Notebook上编写和执行代码。
Jupyter Notebook由许多单元组成，可以通过确定执行单元格的顺序来控制工作流。
单击New→Python3打开一个新的Notebook。
你可以编写文本(在标记单元格中)或编写python代码(在代码单元格中)并按如下方式执行：
使用Run和add cells选项分别执行代码和添加更多单元格。
2.代码
可以把每个代码块复制到不同的单元上，然后运行它们。
我们先导入fast.ai的vision库和jmd_imagescraper。
!pip install -Uqq fastbook
import fastbook # 导入fast.ai库
from fastbook import * # 别担心，它被设计成与import *一起工作
fastbook.setup_book()
from fastai.vision.widgets import *
# 导入图片爬取器, website: https://joedockrill.github.io/blog/2020/09/18/jmd-imagescraper-library/
from jmd_imagescraper.core import *
from pathlib import Path
from jmd_imagescraper.imagecleaner import *
因为我们的目标是对猫和狗的图像进行分类，所以可以建立一个名为“animals”的文件夹，我们可以下载并保存图像。
最后一行将path变量设置为当前工作目录中的“animals”文件夹。
animals=['cat','dog']
path = Path().cwd()/"animals"# 指定当前工作目录的路径
从jmd_imagescraper库调用duckduckgo_search()函数，该函数接受以下内容作为输入：
- 下载目录(上面指定的路径变量)；
- 文件夹名称(cat)；
- 搜索DuckDuckGo(“猫”)的关键字；
- 要下载的图像数(100)。
duckduckgo_search(path,"cat","cats",max_results=100) # 下载100张“猫”图片并保存到path/cat中
等到它搜索图像，下载并直接保存到“animals”中名为“cat”的文件夹中。结果应该如下所示：
现在让我们对狗的图像做同样的处理。
duckduckgo_search(path,"dog","dogs",max_results=100)# 下载100张“狗”图片并保存到path/dog中
通常会有一些不相关的图像，这会妨碍训练，所以我们删除个别文件。Jupyter提供了一个删除无关图像的交互式GUI。
display_image_cleaner(path)
在文件夹之间切换并删除不相关的图像。我发现一些像这样的图片偷偷地进入了猫和狗的系列。
fns=get_image_files(path)
fns
查找失败的下载并从文件夹中取消链接。
failed=verify_images(fns)# 寻找非图像文件
failed
failed.map(Path.unlink);# 从文件夹中取消失败文件的链接
现在让我们创建一个Datablock对象，它将图像发送到DataLoaders类。DataLoaders类将给定的数据转换为学习者可以解释的信息。
直觉上，学习者是一个观察所有给定图像并找到模式的人。如果遇到复杂的关键字，不要担心，一旦你运行模型，一切都会变得有意义。
animals=DataBlock(
blocks=(ImageBlock,CategoryBlock),
get_items=get_image_files,
splitter=RandomSplitter(valid_pct=0.2,seed=42),# 将数据集拆分为训练集和验证集
get_y=parent_label,
item_tfms=RandomResizedCrop(224, min_scale=0.5),
batch_tfms=aug_transforms())
需要注意的是在第4行中，我们保留了20%的数据，以便在每个称为epoch训练结束时检查模型。
创建一个名为dls的DataLoaders对象。
dls=animals.dataloaders(path)
看看dls对象中单个批处理中的几个图像。
dls.valid.show_batch(max_n=4,nrows=1)
要求一个学习者在4个不同的训练迭代或时期中根据输入图像进行学习。这需要一些时间，这取决于你的网络速度。
learn = cnn_learner(dls, resnet18, metrics=error_rate)# 训练我们的模型
learn.fine_tune(4)
你可能不会看到与图像中相同的结果，但是错误率应该小于0.05。
现在我们为验证集绘制一个混淆矩阵。混淆矩阵告诉我们验证集中有多少图像被正确或错误地分类。
interp = ClassificationInterpretation.from_learner(learn)
interp.plot_confusion_matrix()# 绘制混淆矩阵
混淆矩阵说明我们的分类器有多好。深蓝色对角线上显示的数字告诉我们正确预测图像的数量。因此分类器做得很好！
我们将在下一行代码中看到两幅错误预测的图片。
interp.plot_top_losses(5, nrows=1)
现在让我们对模型进行真正的测试，好吗？下载你选择的猫或狗图像并保存在本地。
learn.export()
path = Path()
path.ls(file_exts='.pkl')
learn_inf = load_learner(path/'export.pkl')
btn_upload = widgets.FileUpload()# 显示可用于从系统上传图像的小部件
btn_upload
这将在你的Jupyter Notebook中创建一个小部件，如下所示：
点击上传并选择你的图片。
现在我们调整图像大小，以便模型可以预测。最后一行显示调整大小的图像。
img = PILImage.create(btn_upload.data[-1])
out_pl = widgets.Output()
out_pl.clear_output()
with out_pl: display(img.to_thumb(128,128))# 调整图像的大小
out_pl
下面的代码预测图像中的动物，并以我们可以理解的格式显示它。
pred,pred_idx,probs = learn_inf.predict(img)# 要求模型预测图像中的动物！
lbl_pred = widgets.Label()
lbl_pred.value = f'Prediction: {pred}; Probability: {probs[pred_idx]:.04f}'# 以可读格式显示输出
lbl_pred
……………….
我们只用了大约200张图片，就可以创建一个可以对猫和狗进行分类的模型。现在你可以继续进行更改以创建分类器！
快抢沙发！
