fast.ai 课程 — Practical Deep Learning for Coders

概述

项目	内容
课程名称	Practical Deep Learning for Coders
发布方	fast.ai（Jeremy Howard & Rachel Thomas）
授课地点	University of Queensland（Part 1, 2022）
课程性质	免费，无需大学数学基础
前置要求	有一定编程经验
软件栈	PyTorch、fastai、Hugging Face
视频播放量	600 万+ 次
配套书籍	Deep Learning for Coders with fastai and PyTorch（Amazon 5星，免费在线阅读）

fast.ai 课程的核心理念："Deep Learning is for everyone"。课程设计强调实践优先、理论从实践出，不要求事先掌握线性代数或微积分——所需数学会在课程中按需教授。

Part 1：Practical Deep Learning（基础篇）

9 节课时，每节约 90 分钟

课时	主题	核心内容
L1	Getting started	5 分钟跑通第一个模型；计算机视觉 end-to-end 训练流程；图像分类实战（is-it-a-bird）
L2	Deployment	模型部署；Gradio / Hugging Face Spaces；将模型发布为 Web 服务
L3	Neural net foundations	反向传播直观理解；激活函数；损失函数；fastai 的训练循环
L4	Natural Language (NLP)	文本分类；语言模型微调；Hugging Face Transformers
L5	From-scratch model	从零实现神经网络；Python 底层代码；理解每一行计算
L6	Random forests	随机森林；梯度提升；表格数据分析；scikit-learn
L7	Collaborative filtering	推荐系统；嵌入表示；协同过滤实战
L8	Convolutions (CNNs)	卷积神经网络原理；ResNet 架构；计算机视觉深度模型
Bonus	Data Ethics	数据伦理；算法偏见；AI 负责任部署

Part 1 能解决的问题类型：

计算机视觉（图像分类、目标检测、分割）
自然语言处理（文本分类、情感分析）
表格数据分析（结构化数据建模）
协同过滤（推荐系统）
随机森林与回归模型
模型部署（Web 服务）

Part 2：Deep Learning Foundations to Stable Diffusion（进阶篇）

17+ 节课时，30+ 小时视频

前置要求： 完成 Part 1，或具备以下同等能力：

能从零手写 SGD 训练循环
熟悉 Kaggle 竞赛级深度学习实战
熟练使用 PyTorch 和 fastai 进行 NLP/CV 建模

Part 2 核心理念： 从零实现 Stable Diffusion——那个让互联网震惊的 AI 生图 killer app。课程与 Stability.ai 和 Hugging Face Diffusers 团队深度合作，确保覆盖最新技术。

课时	主题	核心内容
L9	Stable Diffusion	Diffusers 库使用；Pipeline API；文生图；扩散模型直观理解
L10	Diving Deeper	深入 diffusion 机制；噪声调度；条件控制
L11	Matrix multiplication	矩阵乘法底层；CUDA 优化；GPU 计算原理
L12	Mean shift clustering	聚类；均值漂移；embedding 空间分析
L13	Backpropagation & MLP	反向传播推导；多层感知机实现
L14	Backpropagation	自动求导机制；PyTorch autograd 深入
L15	Autoencoders	自编码器；变分自编码器（VAE）；latent 空间
L16	The Learner framework	fastai Learner 框架设计；训练循环抽象
L17	Initialization/normalization	权重初始化；BatchNorm/LayerNorm；训练稳定性
L18	Accelerated SGD & ResNets	动量 SGD；ResNet 跳跃连接；优化器深入
L19	DDPM and Dropout	DDPM（Denoising Diffusion Probabilistic Models）；Dropout 理论
L20	Mixed Precision	FP16/BF16 混合精度训练；梯度缩放；节省显存
L21	DDIM	DDIM（Denoising Diffusion Implicit Models）；加速采样
L22	Karras et al (2022)	论文精读；EDM（Elucidating...）；改进 diffusion 采样
L23	Super-resolution	图像超分辨率；diffusion 在图像增强中的应用
L24	Attention & transformers	Attention 机制；Transformer 架构；GPT 原理
L25	Latent diffusion	Latent Diffusion Model（Stable Diffusion 核心）；U-Net 在 latent 空间的计算

Bonus 视频：

Lesson 9a（Stable Diffusion 进阶技巧）
Lesson 9b（Diffusers 细节）

Part 2 覆盖的关键技术栈：

Stable Diffusion / Latent Diffusion Model
U-Net、CLIP embedding、VAE
DDPM、DDIM、EDM（Karras 2022）
Transformer / Attention 机制
混合精度训练（FP16/BF16）
论文阅读方法论（如何读懂顶会论文并复现）

配套资源

资源	链接	说明
官方书籍（免费在线）	fast.ai/book	与 Part 1 完全对应
课程论坛	forums.fast.ai	问答、组队学习
Kaggle Notebooks	course.fast.ai/Resources/kaggle	所有课时 Notebook，可直接运行
Paperspace Gradient	$10 免费额度	GPU 云端运行（推荐，国内可访问）
测试imonials	course.fast.ai/Resources/testimonials	学员反馈

fastai 库简介

fastai 是课程核心框架，建立在 PyTorch 之上，提供：

高层 API：vision_learner、text_classifier_learner、tabular_learner 等，一行代码构建训练流程
DataLoaders：统一的 DataLoader 封装，自动处理 transforms、splits
Learner：训练循环抽象，内置 metrics、callbacks、fp16
导出部署：learn.export() 一键导出，可配合 Gradio/HuggingFace 部署

fastai 的设计哲学：让研究员少写代码，让代码研究员能理解底层。

学习路径建议

入门路径：
1. Part 1 L1（Getting Started）→ 立刻跑出第一个模型，建立信心
2. Part 1 L2（Deployment）→ 学会把模型上线，立即有获得感
3. Part 1 L3-L8 → 系统掌握 CV/NLP/表格/推荐四大任务
4. Part 1 Bonus（Data Ethics）→ 理解 AI 伦理风险

进阶路径（Part 2）：
5. Part 2 L9（Stable Diffusion）→ 生图实战，建立直觉
6. Part 2 L13-L14（Backpropagation）→ 彻底理解训练过程
7. Part 2 L16（Learner framework）→ 掌握 fastai 底层设计
8. Part 2 L24（Attention & transformers）→ 大模型基础
9. Part 2 L25（Latent diffusion）→ Stable Diffusion 核心原理

8.2 KiB Raw Blame History Unescape Escape