标签归档：notebooks

Fastbook-以Jupyter笔记本的形式出版的Fastai书

2021年7月15日 Python实用宝典

这些笔记本是用来a MOOC并构成了this book，目前可供购买。它没有与本草案相同的gpl限制。

笔记本和python中的代码.py文件包含在GPL v3许可证中；有关详细信息，请参阅许可证文件

其余部分(包括笔记本和其他散文中的所有减价单元)除复制笔记本或分叉本回购供您自己使用外，不得进行任何再分发或更改格式或介质的许可。任何商业或广播用途都是不允许的。我们免费提供这些材料，以帮助您学习深度学习，因此请尊重我们的版权和这些限制

如果您看到有人在其他地方托管这些材料的副本，请让他们知道他们的行为是不允许的，并可能导致法律诉讼。此外，他们会伤害社区，因为如果人们忽视我们的版权，我们就不太可能以这种方式发布更多的材料

这是一份初稿。如果您在运行笔记本时遇到问题，请搜索fastai-dev forum寻求答案，并在那里寻求帮助(如果需要)。请不要使用GitHub问题来解决笔记本运行问题

如果您对此回购提出任何拉取请求，那么您就是将该作品的版权分配给Jeremy Howard和Sylvain Gugger。(此外，如果您正在对拼写或文本进行小的编辑，请指定文件名，并对您要修复的内容进行非常简短的描述。审查者很难知道哪些修改已经做过了。谢谢您。)

引文

如果你想引用这本书，你可以使用以下内容：

@book{howard2020deep,
title={Deep Learning for Coders with Fastai and Pytorch: AI Applications Without a PhD},
author={Howard, J. and Gugger, S.},
isbn={9781492045526},
url={https://books.google.no/books?id=xd6LxgEACAAJ},
year={2020},
publisher={O'Reilly Media, Incorporated}
}

github

Python Bokeh 浏览器中的交互式数据可视化

2021年7月15日 Python实用宝典

Bokeh是一个用于现代Web浏览器的交互式可视化程序库。它提供优雅、简洁的多功能图形构造，并在大型或流式数据集上提供高性能的交互性。Bokeh可以帮助任何想要快速、轻松地制作交互式绘图、仪表板和数据应用程序的人

最新版本		孔达
许可证		PyPI
赞助		实时教程
生成状态		静电分析
支持		推特

如果你喜欢伯克并愿意支持我们的使命，请考虑making a donation

安装

安装Bokeh的最简单方法是使用Anaconda Python distribution及其包含的孔达包裹管理系统。要安装Bokeh及其所需的依赖项，请在Bash或Windows命令提示符下输入以下命令：

conda install bokeh

要使用pip进行安装，请在Bash或Windows命令提示符下输入以下命令：

pip install bokeh

有关更多信息，请参阅installation documentation

资源

安装Bokeh后，请查看first steps guides

访问full documentation site要查看User’s Guide或launch the Bokeh tutorial要在实时Jupyter笔记本中了解Bokeh，请执行以下操作

社区支持可在Project Discourse

如果您想对Bokeh做出贡献，请查看Developer Guide和request an invitation to the Bokeh Dev Slack workspace

注意：在Bokeh项目的代码库、问题跟踪器和论坛中互动的每个人都应该遵循Code of Conduct

跟我们走吧

关注我们的推特@bokeh

支持

财政支持

Bokeh项目对此表示感谢individual contributions以下组织和公司提供赞助和支持：

如果您的公司使用Bokeh并能够赞助该项目，请联系 info@bokeh.org

Bokeh是NumFOCUS的赞助项目，NumFOCUS是美国的501(C)(3)非营利性慈善机构。NumFOCUS为Bokeh提供财政、法律和行政支持，以帮助确保项目的健康和可持续性。参观numfocus.org了解更多信息

对Bokeh的捐款由NumFOCUS管理。对于美国的捐赠者，您的捐赠在法律规定的范围内是免税的。与任何捐赠一样，您应该就您的具体税务情况咨询您的税务顾问。

实物支持

Bokeh项目还感谢以下公司捐赠的服务：

安全性

若要报告安全漏洞，请使用Tidelift security contactTidelift将协调修复和披露

github

Fastai – 快速深度学习模块

2021年7月13日 Python实用宝典

欢迎光临Fastai

FAST AI使用现代最佳实践简化了快速准确的神经网络训练

正在安装

您可以在不安装的情况下使用Fastai，方法是使用Google Colab事实上，本文档的每一页还可以作为交互式笔记本使用-单击任何页面顶部的“Open in CoLab”将其打开(请确保将Colab运行时更改为“GPU”以使其快速运行！)请参阅上的fast.ai文档Using Colab了解更多信息

只要你运行的是Linux或Windows(不支持Mac)，你就可以用conda在你自己的机器上安装Fastai(强烈推荐)。对于Windows，请参阅“在Windows上运行”了解重要说明

如果您使用的是miniconda(推荐)然后运行(请注意，如果您替换conda使用mamba安装过程将更快、更可靠)：

conda install -c fastchan fastai

或者如果您正在使用Anaconda然后运行：

conda install -c fastchan fastai anaconda

要使用pip安装，请使用：pip install fastai如果使用pip安装，则应首先按照PyTorch安装PyTorchinstallation instructions

如果您计划自己开发Fastai，或者想要走在前列，您可以使用可编辑安装(如果这样做，您还应该使用的可编辑安装fastcore来配合它。)首先安装PyTorch，然后：

git clone https://github.com/fastai/fastai
pip install -e "fastai[dev]"

学习速度快

开始快速学习(和深度学习)的最好方法是阅读the book，并完成the free course

要了解使用FAST AI可能实现的功能，请查看Quick Start，它展示了如何使用大约5行代码来构建图像分类器、图像分割模型、文本情感模型、推荐系统和表格模型。对于每个应用程序，代码基本相同

通读一下Tutorials学习如何在您自己的数据集上训练您自己的模型。使用导航侧栏浏览FAST AI文档。这里记录了每个类、函数和方法

要了解图书馆的设计和动机，请阅读peer reviewed paper

关于FAST

Fastai是一个深度学习库，它为从业者提供高级组件，这些组件可以快速、轻松地在标准深度学习领域提供最先进的结果，并为研究人员提供可以混合和匹配的低级组件，以建立新的方法。它的目标是在易用性、灵活性或性能方面不做实质性妥协的情况下完成这两件事。这要归功于精心分层的体系结构，该体系结构以分离的抽象方式表达了许多深度学习和数据处理技术的公共底层模式。通过利用底层Python语言的动态性和PyTorch库的灵活性，可以简洁而清晰地表达这些抽象。FAST AI包括：

一种新的Python类型调度系统和张量的语义类型层次结构
一个GPU优化的计算机视觉库，可以在纯Python中扩展
一种优化器，它将现代优化器的常见功能重构为两个基本部分，允许在4-5行代码中实现优化算法
一种新颖的双向回调系统，可以访问数据、模型或优化器的任何部分，并在培训期间随时更改它们
一种全新的数据挡路接口
还有更多

FAST AI围绕两个主要设计目标进行组织：平易近人和快速高效，同时也是深度可破解和可配置的。它构建在提供可组合构建块的低级API层次结构之上。这样，想要重写高级API的一部分或添加特定行为以满足其需求的用户不必学习如何使用最低级别

从其他库迁移

从普通的PyTorch、Ignite或任何其他基于PyTorch的库迁移非常容易，甚至可以将Fastai与其他库结合使用。通常，您将能够使用所有现有的数据处理代码，但将能够减少培训所需的代码量，并更容易地利用现代最佳实践。以下是一些受欢迎的库中的迁移指南，可帮助您上路：

Windows支持

使用安装时mamba或conda替换-c fastchan在使用的安装中-c pytorch -c nvidia -c fastai，因为Windows当前不支持Fastchan

由于Jupyter和Windows上的Python多处理问题，num_workers的Dataloader自动重置为0，以避免Jupyter挂起。这使得Windows上的Jupyter上的计算机视觉等任务比Linux上的要慢很多倍。如果从脚本使用FastAI，则不存在此限制

看见this example要充分利用Windows上的Fastai API，请执行以下操作

测试

要并行运行测试，请启动：

nbdev_test_nbs或make test

要通过所有测试，您需要安装以下可选依赖项：

pip install "sentencepiece<0.1.90" wandb tensorboard albumentations pydicom opencv-python scikit-image pyarrow kornia \
    catalyst captum neptune-cli

测试是使用nbdev，例如，请参阅的文档test_eq

贡献

克隆此存储库后，请运行nbdev_install_git_hooks在你的航站楼里。这将设置git挂钩，它会清理笔记本以删除笔记本中存储的无关内容(例如，您运行了哪些单元格)，这会导致不必要的合并冲突。

在提交PR之前，请检查当地图书馆和笔记本是否匹配。剧本nbdev_diff_nbs我可以让你知道当地图书馆和笔记本有什么不同

如果您对其中一个导出的单元格中的笔记本进行了更改，则可以使用以下命令将其导出到库nbdev_build_lib或make fastai
如果您对库进行了更改，则可以使用以下命令将其导出回笔记本nbdev_update_lib

码头集装箱

对于那些对这个项目的官方码头集装箱感兴趣的人，可以在here

Python 实用宝典