learner通過lr_find方法找到合適的學習率，通過fit_one_cycle來訓練網路，通過to_fp16來轉換半精度。
方法描述：
learner(`data`:databunch, `model`:module, `opt_func`:callable=`'adam'`, `loss_func`:callable=`none`, `metrics`:collection[callable]=`none`, `true_wd`:bool=`true`, `bn_wd`:bool=`true`, `wd`:floats=`0.01`, `train_bn`:bool=`true`, `path`:str=`none`, `model_dir`:str=`'models'`, `callback_fns`:collection[callable]=`none`, `callbacks`:collection[callback]=``, `layer_groups`:modulelist=`none`)此類中包含了訓練方式、**方式、學習率的差異學習以及模型的儲存等等。
1）fit方法主要設定學習率與權重衰減
fit(`epochs`:int, `lr`:union[float, collection[float], slice]=`slice(none, 0.003, none)`, `wd`:floats=`none`, `callbacks`:collection[callback]=`none`)fit_one_cycle(`learn`:learner, `cyc_len`:int, `max_lr`:union[float, collection[float], slice]=`slice(none, 0.003, none)`, `moms`:point=`(0.95, 0.85)`, `div_factor`:float=`25.0`, `pct_start`:float=`0.3`, `wd`:float=`none`, `callbacks`:optional[collection[callback]]=`none`, `kwargs`)lr_find(`learn`:learner, `start_lr`:floats=`1e-07`, `end_lr`:floats=`10`, `num_it`:int=`100`, `stop_div`:bool=`true`, `kwargs`:any)這一類主要是用來記錄epoch、loss、opt等，我們可以很輕鬆的利用這一類中的方法畫出損失的變化等影象，如：
learn.recorder.plot_lr(show_moms=true)fastai v1 0學習文件（一）
此部分是筆者學習fastai文件關於影象部分的記錄，只記錄了筆者學習過程中覺得較為重要的東西，比較簡略，可能並不適合其他人，詳情還請參考fastai官方文件 fastai的是一種建立在pytorch的頂層框架，類似於tensorflow的keras，其簡化了建立神經網路的過程。fastai的主要物件...
（三）文件結構（上）
一 基本文件結構 1.1 文件元素有4種，任何html文件都需要這些元素。1.1.1 doctype元素 解析 上述語句告訴瀏覽器 1.處理的是html文件。2.用來標記文件內容的html所屬的版本。該元素沒有結束標籤，放於文件開頭即可。1.1.2 html元素 此處省略內容和元素.1.1.3 he...
10 文件常用操作 2019 05 19
1.插入文件 注 elasticsearch不需要在文件插入索引之前先顯式建立索引。如果索引事先尚未存在，則elasticsearch將自動建立索引，還會自動建立動態對映。1 插入文件時指定id put twitter doc 1 2 插入文件時自動生成id 如果不指定id，elasticsearc...