在Win10上搭建fastai课程环境
如果你正在学习深度学习，也许你已经知道 fastai 这个词。这是一个深度学习社区，由Jeremy Howard发起，此公是麦肯锡咨询公司的第一位数据科学家，同时也是Kaggle的联合发起人。同时，fastai也是一个基于Pytorch的封装包，有点儿类似深度学习领域的sklearn，提供了很多神经网络的封装，并且包含了一套非常不错的默认超参数。
如果你第一次听说fastai，非常推荐你去他们的官网看看，把环境搭建好，然后学起来吧。这里先给出网址，但是还是希望你先看完下面的内容再过去。
https://www.fast.ai/
那么，为什么这么多人学习fastai的课程呢？根据我自己的学习体验，大致有以下这么几点：
- 这个课程采用自顶向下的方法。上手直接带你调包，先搭建出一个非常优秀的图片分类器，让你直接体会到ResNet是怎么使用的。然后在Part 2课程中才会谈到一些黑盒内的东西。
- 这个课程有非常活跃的社群，你可以在里面尽情提问，阅读别人发起的问答。总之，你遇到的问题一般都有同道中人帮你解答，有时候Jeremy自己也会回复。
- 这套系列课程有深度学习、机器学习、NLP、线性代数。后续肯定还会有课程上线。所有课程都免费。
当然，这套课程也不是没有缺点的，根据我自己的学习体验，大致也有以下这么几点：
- 混乱。这是我第一次访问fastai官网的感受。各个课程都有多个版本，而且社群论坛里的帖子惊人的多，给人的感觉就是混乱。
- 环境搭建不容易，经常出现：你按照指引，吭哧吭哧弄好环境，打开jupyter notebook运行导入fastai这个包作验证时，弹出找不到这个包。非常令人沮丧，导致后面的课程无法进行。
- fastai这个框架封装的太狠了，基本没给用户留什么自主性。
但是，在学习一段时间后，我针对上面三个缺点逐一答对：
- 确实混乱，需要自己耐着性子去理清。举例子：深度学习课程分为part 1 和part 2。part 1 就是纯粹的讲怎么使用fastai去快速上手深度学习，去实际做点东西出来，完成CV和NLP任务；part 2 则会深入一点，会带领大家看看fastai这个框架是怎么设计的，背后用到的深度学习的一些原理是怎样的。这是横向的分别。纵向分别有v1,v2,v3，分别是2017、2018、2019三个版本，其中2017版本用的是keras，2018之后用的是pytorch。目前主流的学习使用的是2018这版，当然2019版本也已经上线，bilibili上有授权翻译版视频。
- linux上搭建fastai相对要容易一些，但是linux自有其他不合适使用的问题。比如笔者这样，自己组装了一个主机，买的RTX 2070 super显卡的用户，肯定是不会去使用云服务器（太贵啦），但是又不可能直接安装Linux系统，那样日常没法使用。在windows上安装fastai则成为“刚需”，这篇随笔要记录的就是这个事情。
- 因为是自顶向下的学习路线，决定了这套课程不会讲得太深入，用的工具也必须要开箱即用的。笔者自己也曾想自底向上去学习机器学习、深度学习。但是笔者不是科班方面的博士，只是一个数据工程师，学习的目的是快速掌握数据挖掘中用到的技术。如果一直在打基础，结局只能是学而不用则惘。所以，学习完fastai的所有课程之后，才是我们自己真正开始研究底层原理的正确时机。
介绍性的谈话就到这里打住，更多的信息请大家去fastai的论坛里面尽情阅读，地址是 https://forums.fast.ai/top/all
下面开始介绍如何在 win10 系统上搭建环境，win7系统应该相差无几。
-
获取超级管理员权限（具体操作请自行谷歌）
-
安装 Anaconda（具体操作请自行谷歌）
-
安装 Cmder（具体操作请自行谷歌）
-
打开cmder，切换到你想放置fastai的目录，运行下列命令：
- git clone https://github.com/fastai/fastai.git
- cd fastai
- conda env update (这一步会使用fastai目录里的environment.yaml帮你创建一个名为fastai的虚拟环境；建议将文件里的pytorch版本设置为1.0.0)
- conda activate fastai
- jupyter nbextension enable --py widgetsnbextension --sys-prefix
- cd courses\dl1 （你要学习哪个课程就去哪个目录，如果要学习机器学习，就应去 courses\ml）
- rm -rf fastai (也有可能你的文件夹里没有这个目录，跳过即可）
- mklink /d fastai ..\..\old\fastai
- cd ..\..
- jupyter notebook
-
到这里，环境就搭建好了，下面还需要下载fastai的模型，否则你在学习时会发现无法建立神经网络训练器
- 下载 http://files.fast.ai/models/weights.tgz
- 将它解压到 courses\dl1\目录下
- 对应的数据从这里下载 http://files.fast.ai/data/ ，对应的notebook里也会提示数据来自哪里
-
如果在跑模型过程中遇到 CUDNN_STATUS_EXECUTION_FAILED 问题，检查下是否cuda版本和显卡不适配。例如笔者的显卡是RTX 2070，使用的cuda版本必须是10.0以上。同时注意，cudnn101 需要python版本在3.7以上，而Python3.7是不包含ssl模块的，这就会导致你围绕python3.7搭建好pytorch环境后，尝试打开jupyter notebook时会报错： import _ssl DLL error。需要手动安装ssl包，命令是
conda install openssl，成功安装后关闭命令行工具后重新打开，就可以正常使用jupyter notebook了。 -
如果跑模型过程中提示显卡内存不够分配了，可以把每个batch的规模调小一点，用时间换取空间。
祝大家学习顺利，今天是2020年1月1日，新的10年开始了，祝无怨无悔。
