之前一篇文章介绍了FastAI v0.7中处理dogscats数据集的过程。
这一篇则介绍一下FastAI v1.0版本变化后的dogscats图像分类的使用方法。相比较v0.7，v1.0整体来说api更加简洁清晰一些，特别是预测和评估的部分。

让我们开始吧

1.配置colab中的FastAI环境

!curl https://course.fast.ai/setup/colab | bash

2.导入包

from fastai import *
from fastai.vision import *

3.下载数据集文件

!wget http://files.fast.ai/data/dogscats.zip

4.解压数据集

!unzip dogscats.zip

5.加载数据集

path = "/content/dogscats/"
data = ImageDataBunch.from_folder(path,ds_tfms=get_transforms(), size=224,bs=32).normalize(imagenet_stats)

6.检查数据文件

data.show_batch(3,figsize=(8,8))

7.设置深度学习中的神经网络，选择预置的resnet50

learner = cnn_learner(data,models.resnet50,metrics=[accuracy])

8.显示训练结果

learner.fit(1)

这里需要稍等片刻，花了差不多8分半钟。

9.显示网络结构

print(learner.summary())

10.预测单张图片的结果

img = data.train_ds[0][0]
img.show()
learner.predict(img)

这里也可以使用upload方法上传本地图片来测试
v1.0中预测单张图片的方法似乎更加简单方便了。可以直接把图片传入predict方法中。

11.制作混淆矩阵

interp = ClassificationInterpretation.from_learner(learner)
interp.plot_confusion_matrix()

^^

参考：
https://github.com/adi0229/ML-DL/blob/master/dogcat_fastaiv3.ipynb