【新智元導讀】人工智慧教學網站fast.ai針對開發者的深度學習實踐課程第三版，不需要大數據知識或者高深的數學理論，甚至都不需要買GPU，只需要一年的編程經驗以及對Jupyter Notebook有一定了解。

廣受好評的免費深度學習在線網站Fast.ai為開發者量身定製的深度學習實踐課程，目前更新到了第三版。新版本將原來的14課時縮短到7課時，採取自上而下的教學理念，通過實際問題入手，然後逐步深入理念。符合程序員的學習路徑。

本課程只要求一年的編程經驗，一塊GPU以及一些適當的軟體。不需要大數據知識、不需要大學級數學，也不需要龐大的數據中心，但是需要對Jupyter Notebook環境有一定了解。

雖然課程需要一塊英偉達GPU，但fast.ai並不建議去買一塊，或者自己攢一台深度學習專用的電腦，與其浪費時間在設置電腦上，不如直接租。對於時間緊任務重的開發者來說，時間成本更寶貴。

目前2019版的第2部分（尖端深度學習）尚不可用，暫時仍然需要使用2018年的課程內容。不過好消息是，這個月很快就能上線了。

開始學習之前，你需要了解這些信息

創始人Jeremy Howard稱，本課程旨在為有經驗的程序員提供深度學習實踐的教學，例如如何訓練準確的模型; 如何測試和調試模型; 以及關鍵的深度學習概念。它涵蓋了視覺，自然語言處理，表格數據和推薦系統中的應用。

如果有興趣深入了解幕後的論文以及數學背景的同學需要注意了，再過2周fast.ai將推出一個全新的「從基礎開始深度學習」課程，最後兩節課將與Chris Lattner（Swift，LLVM和Clang的創建者）共同教授。

如果你想了解基礎線性代數的實現細節，請查看「面向開發者的計算線性代數」：

https：//github.com/fastai/numerical-linear-algebra

如果你想了解決策樹、隨機森林、線性回歸、驗證集等，可以「面向開發者的機器學習簡介」：

https：//course18.fast.ai/ml

有些開發者比較擔心的是fast.ai的庫會隨著框架的熱度不斷的變動，導致經常需要從頭開始又要學習新的框架。確實3年時間裡，fast.ai的主題一直在變：

2017年的課程主要關於Keras/TensorFlow；2018年主要關於PyTorch；2019年課程（第2部分）是python，最後幾個類使用Swift重新構建所有內容。

對此Jeremy表示大可放心，v1不會有大的變動，未來只是一些bug fix。

fast.ai使用Pytorch作用教學工具。但是這種東西屬於一通百通，基本上你一旦掌握了套路，接下來用TensorFlow/Keras、CNTX、MXNet或者其他深度學習庫都不成大問題。

在平台的選擇上，Jeremy建議是：

• 如果使用過命令行，選擇Google Compute Platform。因為它們提供300美元的無條件信用，並已經配置好開發環境
• 如果不想用命令行試試Salamander，它工作得很好而且費用不高
• 如果你沒有信用卡，請使用Colab，它是免費的，但兼容性會有點問題

創始人給大家的建議

在fast.ai的論壇上，有人整理了Jeremy在給同學們的一些建議，這些建議被往屆很多學生認為是金玉良言。

• 不要嘗試停下來理解所有的知識點
• 不要浪費時間：請學習JN的快捷鍵，一天學4-5個
• 請跑代碼，「真的」去跑代碼。不要去深入學習理論。去玩轉代碼，看看它們「吃進什麼吐出什麼」
• 選擇一個項目，認真做好，做到超棒！
• 跑這個Nb(lesson1-pets.ipynb)，然後用你自己的數據集跑跑，一定要做！
• 如果感覺fast.ai里都是高手，要學的新東西太多，而且感覺很難，沒關係！選擇一個點下手，比如跑幾行代碼，學一個概念如regular expression, 或者創建一個分類器，什麼都行，關鍵是忘記煩惱，行動起來。
• 如果卡殼了，不要停下來，深挖、繼續前行！
• 如果你不確定的哪個學習率更好，每個都試試看。
• 多數公司浪費大量時間在收集更多數據上。正確做法是，用一小撮數據跑跑看，然後在看問題是否是數據不夠。
• 如果你認為自己「天生不擅長數學」， 請看看Rachel的TED演講: There』s no such thing as 「not a math person」
• 在你使用數據集時，請務必給予數據創建者榮譽和感謝
• 如果你心裡有疑問：「我是否應該試試？」， 回答是：試試看吧，這是你成為優秀實踐者的必修課！

參考鏈接：

• https://course.fast.ai/index.html

https://forums.fast.ai/t/fast-ai-v3-2019/39325

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！