fastbook：深度学习入门，从零到能跑模型

fastai 团队开源的深度学习教程仓库，Star 数超过 25,000。

这个仓库是一本深度学习入门书的配套代码。作者是 Jeremy Howard 和 Sylvain Gugger，两人都是 fastai 框架的核心开发者。书名叫《Deep Learning for Coders with Fastai and PyTorch》，由 O’Reilly 出版，仓库里的内容是书里所有章节的 Jupyter Notebook 版本。

fastai 本身是一个基于 PyTorch 的深度学习库，设计思路是分层 API。底层可以跟 PyTorch 一样灵活，高层则封装了大量默认配置，让新手不用纠结细节就能跑通一个完整的训练流程。

仓库里一共有 20 个章节的 Notebook，覆盖了从基础概念到实际部署的完整链路。

第一章讲 Jupyter Notebook 的基本用法。第二章直接上手，用一个宠物品种分类的例子展示完整的模型训练和部署流程。第三章讨论 AI 伦理问题，这不是可选的装饰内容，而是放在很前面的位置，说明作者认为这是每个开发者都应该认真对待的事。

第四章到第七章围绕计算机视觉展开。从 MNIST 手写数字识别讲起，逐步过渡到多类别分类、数据增强、测试时增强等实用技巧。用的例子都很贴近实际场景，不是那种玩具数据集。

第八章和第九章分别讲协同过滤和表格数据。协同过滤用的是电影推荐的例子，表格数据则展示了如何处理真实世界里的结构化数据。这两章的内容在工业界用得很多，很多入门教程会跳过这部分。

第十章到第十二章进入自然语言处理领域。从基础的文本分类讲到更深入的 NLP 技术，包括 RNN 和 Transformer 的原理与实现。

第十三章到第十五章回到计算机视觉，但这次讲的是更底层的东西：卷积神经网络的工作原理、ResNet 架构的细节、以及各种网络结构的设计选择。

第十六章讲优化器和回调机制，这是 fastai 框架的核心设计之一。回调系统让训练过程中的各种操作（学习率调整、日志记录、模型保存等）都可以灵活组合，不用改主训练循环的代码。

第十七章是整本书的理论总结，把前面各章用到的数学和概念做了一个系统性的梳理。第十八章讲 GradCAM，一种可视化卷积网络关注区域的技术。第十九章深入 Learner 类的实现细节，这是 fastai 里最核心的抽象。

第二十章是结语，讨论了深度学习的未来方向和学习者应该关注的重点。

整个仓库的代码用 GPL v3 协议开源，但书中的文字内容（包括 Notebook 里的 Markdown 部分）不允许重新分发或改变格式。作者明确说了，看到有人在别处托管这些材料可以举报。

这个仓库最大的特点是跟一本正式出版的书配套。很多开源教程是独立存在的，而这个仓库的内容跟 O’Reilly 出版的书是对应的。不过书本身没有 GPL 的限制，可以自由购买和阅读。

另一个特点是提供了完整的 Colab 支持。每个章节都有对应的 Colab 链接，点开就能在浏览器里运行，不需要在本地配置 Python 环境。对于刚入门的人来说，这个设计很实用，省去了环境配置的麻烦。

仓库里还提供了多种语言的翻译版本，包括中文、西班牙语、韩语、日语、葡萄牙语、越南语、意大利语、印尼语和孟加拉语。中文翻译的质量还不错，适合英文阅读有障碍的学习者。

从实用角度看，这个仓库适合两类人。一类是完全没接触过深度学习、想系统学习的初学者。另一类是有一定基础、但想了解 fastai 框架用法的开发者。对于前者，建议按章节顺序跟着 Notebook 走。对于后者，可以直接跳到感兴趣的章节，比如做计算机视觉的可以看第四章到第七章，做 NLP 的可以看第十章到第十二章。

fastai 的安装也很简单，pip 一行命令就能搞定。不过建议用 Python 3.10 以上的版本，老版本可能会有兼容问题。

总的来说，这个仓库是深度学习入门领域里质量很高的一个资源。25,000 多个 Star 不是白来的，内容扎实，结构清晰，配套完善。

高的一个资源。25,000 多个 Star 不是白来的，内容扎实，结构清晰，配套完善。