my-vault/03_Resources/Development/fast-ai-course.md

---
title: fast.ai 课程 — Practical Deep Learning for Coders
created: 2026-04-10
updated: 2026-04-10
type: concept
tags: [deep-learning, course, fastai, pytorch, stable-diffusion]
sources: [https://course.fast.ai/]
---

# 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*](https://www.amazon.com/dp/1492045527)（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](https://course.fast.ai/Lessons/lesson1.html) | 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](https://course.fast.ai/Lessons/lesson2.html) | 模型部署；Gradio / Hugging Face Spaces；将模型发布为 Web 服务 |
| L3 | [Neural net foundations](https://course.fast.ai/Lessons/lesson3.html) | 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)](https://course.fast.ai/Lessons/lesson4.html) | 文本分类；语言模型微调；Hugging Face Transformers |
| L5 | [From-scratch model](https://course.fast.ai/Lessons/lesson5.html) | 从零实现神经网络；Python 底层代码；理解每一行计算 |
| L6 | [Random forests](https://course.fast.ai/Lessons/lesson6.html) | 随机森林；梯度提升；表格数据分析；scikit-learn |
| L7 | [Collaborative filtering](https://course.fast.ai/Lessons/lesson7.html) | 推荐系统；嵌入表示；协同过滤实战 |
| L8 | [Convolutions (CNNs)](https://course.fast.ai/Lessons/lesson8.html) | 卷积神经网络原理；ResNet 架构；计算机视觉深度模型 |
| Bonus | [Data Ethics](https://course.fast.ai/Lessons/lesson8a.html) | 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](https://course.fast.ai/Lessons/lesson9.html) | Diffusers 库使用；Pipeline API；文生图；扩散模型直观理解 |
| L10 | [Diving Deeper](https://course.fast.ai/Lessons/lesson10.html) | 深入 diffusion 机制；噪声调度；条件控制 |
| L11 | [Matrix multiplication](https://course.fast.ai/Lessons/lesson11.html) | 矩阵乘法底层；CUDA 优化；GPU 计算原理 |
| L12 | [Mean shift clustering](https://course.fast.ai/Lessons/lesson12.html) | 聚类；均值漂移；embedding 空间分析 |
| L13 | [Backpropagation & MLP](https://course.fast.ai/Lessons/lesson13.html) | 反向传播推导；多层感知机实现 |
| L14 | [Backpropagation](https://course.fast.ai/Lessons/lesson14.html) | 自动求导机制；PyTorch autograd 深入 |
| L15 | [Autoencoders](https://course.fast.ai/Lessons/lesson15.html) | 自编码器；变分自编码器（VAE）；latent 空间 |
| L16 | [The Learner framework](https://course.fast.ai/Lessons/lesson16.html) | fastai Learner 框架设计；训练循环抽象 |
| L17 | [Initialization/normalization](https://course.fast.ai/Lessons/lesson17.html) | 权重初始化；BatchNorm/LayerNorm；训练稳定性 |
| L18 | [Accelerated SGD & ResNets](https://course.fast.ai/Lessons/lesson18.html) | 动量 SGD；ResNet 跳跃连接；优化器深入 |
| L19 | [DDPM and Dropout](https://course.fast.ai/Lessons/lesson19.html) | DDPM（Denoising Diffusion Probabilistic Models）；Dropout 理论 |
| L20 | [Mixed Precision](https://course.fast.ai/Lessons/lesson20.html) | FP16/BF16 混合精度训练；梯度缩放；节省显存 |
| L21 | [DDIM](https://course.fast.ai/Lessons/lesson21.html) | DDIM（Denoising Diffusion Implicit Models）；加速采样 |
| L22 | [Karras et al (2022)](https://course.fast.ai/Lessons/lesson22.html) | 论文精读；EDM（Elucidating...）；改进 diffusion 采样 |
| L23 | [Super-resolution](https://course.fast.ai/Lessons/lesson23.html) | 图像超分辨率；diffusion 在图像增强中的应用 |
| L24 | [Attention & transformers](https://course.fast.ai/Lessons/lesson24.html) | Attention 机制；Transformer 架构；GPT 原理 |
| L25 | [Latent diffusion](https://course.fast.ai/Lessons/lesson25.html) | Latent Diffusion Model（Stable Diffusion 核心）；U-Net 在 latent 空间的计算 |

**Bonus 视频：**
- [Lesson 9a](https://youtu.be/0_BBRNYInx8)（Stable Diffusion 进阶技巧）
- [Lesson 9b](https://youtu.be/mYpjmM7O-30)（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](https://course.fast.ai/Resources/book.html) | 与 Part 1 完全对应 |
| 课程论坛 | [forums.fast.ai](https://forums.fast.ai) | 问答、组队学习 |
| Kaggle Notebooks | [course.fast.ai/Resources/kaggle](https://course.fast.ai/Resources/kaggle.html) | 所有课时 Notebook，可直接运行 |
| Paperspace Gradient | [$10 免费额度](https://gradient.run/notebooks) | GPU 云端运行（推荐，国内可访问）|
| 测试imonials | [course.fast.ai/Resources/testimonials](https://course.fast.ai/Resources/testimonials.html) | 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
```

---

## 相关页面

> [[ml-intro]]（机器学习入门概念）
> [[pytorch-basics]]（PyTorch 基础）
> [[transformer-architecture]]（Transformer 架构）
> [[diffusion-models]]（Diffusion 模型）
> [[huggingface-quickstart]]（Hugging Face 快速上手）