导员让我去学 fast.ai 的时候只说了一句:「这个免费,去学」。我室友比导员直接——「听说学完能写进简历」。
我信了。9 讲刷完才发现,课程免费、书免费、算力能白嫖,但官方从头到尾没有证书。简历上那一行字,官方一个字都没帮你写。
先说结论,不绕弯:fast.ai 这门 Practical Deep Learning for Coders 确实是 0 元能学完的真东西,但它给不了你简历想要的那行字。能带走的是一整本免费的书、一堆能跑的 notebook,和一个叫 forums.fast.ai 的社区。下面 10 条坑,前 8 条是我自己踩的,后 2 条是我劝你别踩的。
先算钱:0 元能走到哪一步
课程第一部分叫 Practical Deep Learning for Coders,2022 年在澳大利亚昆士兰大学录的,一共 9 讲,每讲约 90 分钟。9 × 90 = 13.5 小时视频,我用 1.5 倍速看的,9 个晚上看完了。光视频我就花了 13.5 小时,还不算跑 notebook 的时间,第三个晚上困到把反向传播那一段看了两遍都没进脑子。
课程页把定位写得很清楚:「一门免费课程,给那些有一点编程经验、想把深度学习用到实际问题的人」。唯一的先修条件是「你会写代码,一年经验就够,最好是 Python,而且至少学过高中数学」。
硬件这关更离谱。官方专门列了一张「你不需要什么」的表:不需要很多数学(高中数学够)、不需要很多数据(不到 50 条数据也出过破纪录的结果)、不需要很贵的电脑(你要的东西免费就能拿到)。
软件栈是 PyTorch + fastai + Hugging Face Transformers + Gradio。fast.ai 的联合创始人 Jeremy Howard 说,他们决定用 PyTorch 之前测了 1000 多小时。这套课的视频播放量已经超过 600 万次。
第二部分另算,是一门叫「Deep Learning Foundations to Stable Diffusion」的视频课,官方写的是「超过 30 小时」,给「更有经验的学生」。它跟 Part 1 是两门课,不是同一个东西的续集。
所以钱这一栏是 0。课程免费,配套那本《Deep Learning for Coders》全文在线免费,Kaggle Notebook 免费,官方推荐的 Paperspace 注册链接还送 10 美元额度(他们自己也拿一份)。
顺带把那本书单独说一句。官方链接里管它叫 5 星评价的书,全名是《Deep Learning for Coders with Fastai and PyTorch》,副标题「没有 PhD 也能做的 AI 应用」。整本书 20 章全是 notebook,在线版可以一段代码都不改地直接跑。我到现在才翻到第 12 章——不是读不下去,是课程讲的那部分够用了,剩下的是我想自己挑着看。
坑 1:它不发证书
这是最大的坑。官方课程页从头到尾没出现过「certificate」这个词,我把课程页、书籍页、论坛置顶帖都翻了一遍,找不到任何能写进简历的结课证明。
我第一反应是:那这课学了图啥。
后来想通了,它给的东西本来就不是证书,是作品。配套那本书的每一章都能直接下载成 Jupyter Notebook,你跑过的每个 notebook 就是一件能放进 GitHub 的东西。面试官不看「结业证书」,他们看你能不能讲清楚「这个模型是怎么训的、为什么这么调参」。
同学问我「那到底能不能写进简历」,我给的答案是:能,但必须写得具体。「熟悉深度学习,使用 fastai 框架完成图像分类项目」太空了;「用 fastai 训了一个图像分类器,数据不到 50 条(官方说这个量级也出过破纪录的结果),最后用 Gradio 做成能点的演示页」才是扛得住追问的一句话。
坑 2 和 3:别在自己电脑上跑,以及忘了开 GPU
官方在「怎么开始」那节写了一句很硬的话:强烈建议不要用自己的电脑训练模型,除非你非常熟悉 Linux 系统管理、GPU 驱动和 CUDA。学生党人手一台轻薄本,有核显没独显,按这话你第一步就不该试。
我室友不信,非要在自己 Windows 电脑上装,装了三个晚上,最后卡在显卡驱动上,周末整个泡没了。我自己试过一次,第一步 pip install fastai 就开始报版本错,一屏红字。回头看官方文档才发现,人家开头半句是让你先装 PyTorch。
然后是更蠢的一个坑:开跑前忘了切 GPU 运行时。fastai 官方文档写得很清楚,fastai 可以不装任何东西直接在 Google Colab 里用,但「记得把 Colab 的运行时改成 GPU,它才会跑得快」。Kaggle 那边也一样,得在右侧 Accelerator 里手动选 T4 x2 或 P100,选错了就是纯 CPU 跑。
我第一次跑 lesson 1 就是这么干的。进度条走得像在爬楼梯,我还以为是网络问题。低头看了一眼 Accelerator 面板,是 CPU。改完重跑,同一份代码从「一晚上出不来」变成十几分钟跑完。
坑 4:一周 30 小时的配额,不是「随便跑」
课程主推的免费算力是 Kaggle Notebook。按 Kaggle 官方文档现在的说法:GPU 每周大约 30 小时额度,偶尔会更高,看当时资源紧张程度;TPU 每周 20 小时,单次会话最长 9 小时;CPU 和 GPU 的单次会话最长 12 小时。GPU 会话给你 4 核 CPU、29 GB 内存,能挂一块 Tesla P100(16 GB)或者两块 T4,/kaggle/working 这个目录自动保存 20 GB。
我用了两周 Kaggle Notebook,额度是这么烧的:lesson 1 反复跑分类器、lesson 2 部署、lesson 5 从零手写一遍、lesson 8 的 CNN,一周半就见底了。30 小时听着挺多,可你每讲都要反复跑、反复改参数。
配额是按周重置的,不是按天。所以我的做法是:一次把参数搜索范围写窄,别开着 5 组实验挂着等。
还有两个容易被忽略的细节。Kaggle 的加速器要先验证手机号才能开;免费额度只限个人学习和非商业用途,拿去跑公司的活儿不在条款里。
坑 5:交互式会话 20 分钟不动就断
Kaggle 文档写的是,交互式会话 20 分钟没操作就自己结束。训练跑一半去倒杯水,回来 notebook 已经在等你了。
长任务要用 Save & Run All,让它作为独立会话在后台跑,关掉浏览器也继续。这个坑我是被断掉一次才发现的,当时那版参数已经跑了快一个小时。
更气的是 /kaggle/working 之外的临时文件会丢,重启就没了。我有一版调好的数据处理函数写在临时路径里,第二天回来代码还在、数据没了。
坑 6:Part 2 不是进阶课,是另一门课
Part 2 官方叫「Deep Learning Foundations to Stable Diffusion」,超过 30 小时,从第 9 讲到第 25 讲。我把目录抄在这儿你就知道它是什么难度:Stable Diffusion、Diving Deeper、矩阵乘法、Mean shift 聚类、反向传播与 MLP、反向传播、自动编码器、Learner 框架、初始化与归一化、加速 SGD 与 ResNet、DDPM 与 Dropout、混合精度、DDIM、Karras 等人的采样、超分辨率、注意力与 Transformer、潜空间扩散。
矩阵乘法那讲我看了三遍才跟上。我没想到 Part 2 的难度是另一个量级——以为 Part 1 是「基础」、Part 2 是「拔高」,结果 Part 2 是另一门课。一个下学期要交实验报告、要准备期末、还要投秋招简历的人,开局就啃这个,基本属于自己给自己找难受。
我的建议很直接:Part 1 学完就停,Part 2 等手上没别的硬任务再说。
坑 7 和 8:把「学完」当「学会」,以及论坛要先搜再问
这门课的教学顺序是反的——先让你跑出一个 SOTA 模型,再回头讲底下是什么。第一讲就能训出一个不错的分类器。对急着看到结果的人特别友好,对想搞懂原理的人特别不友好。
我自己的问题出在 lesson 3:讲神经网络基础的时候公式我一个都推不动,只能照抄代码。我试了 lesson 5 那份「从零手写一个模型」的 notebook,抄是抄通了,回头让我解释一句「为什么反向传播要乘导数」,我卡住了,半天才憋出一句「就是反向传播」。
9 讲刷完我确实能跑出东西,但被问到「梯度是怎么回传的」,我愣了两秒。这事挺要命:作品能跑,原理讲不出来。
所以这条坑我的结论是:这门课不负责让你懂,它负责让你敢动手。把它当第一阶段的启动器,后面一定得补理论,不然面试一问就露馅。
另一条跟省钱有关。官方给的求助入口是 forums.fast.ai,官方页面自己写着「提问前请认真搜索,你的问题大概率已经被回答过了」。我翻了几个帖子才发现这个区别:回复里有人贴了完整的报错日志和跑通的代码,也有一大堆没头绪的等待。你自己先把报错原文、版本号、完整代码贴齐,比先问一句「为什么报错」有用得多。
坑 9:我室友那句话该怎么落到简历上
这是他逼我回答的问题,我答了三版。
第一版「熟悉深度学习,使用 fastai 框架完成图像分类项目」——太空了,面试官一看就知道是凑的。
第二版我写了准确率、写了自己采的数据量,面试被问「为什么用这个学习率」「过拟合怎么办」,我一句都答不上来,当场就尴尬了。
最后一版只写三行:做了什么(一句话)、怎么做的(一句)、产在哪(GitHub 链接)。技术细节留着面试问,因为我确实还没搞懂那些公式,写上去是给自己挖坑。
顺便说,如果你的目标是交作业、刷题、写论文这种活儿,其实不一定要学这套。我对比过两条路:一条是花钱买省事,一条是免费但要自己啃。我之前写过Kimi 丢 20 万字长文档那篇,还有AI PPT 工具 6 款交完才知道哪个能用,都是交上去就完事的路子。fast.ai 是给你自己的,不是给作业的。
坑 10:什么情况下别学它
几种情况我觉得可以直接跳过:
- 你一行 Python 都没写过。官方写的是「一年经验就够」,意思是你得先有 Python 基础再回来。
- 你要的是一张能扫的证书。这门课给不了,别抱幻想。
- 你这学期要交的东西完全用不上模型,跑一个猫狗分类对作业没帮助。
- 你想要的是「打开就能写论文」的工具。fast.ai 是研究者的东西,不是那种东西。
上面中了三条以上,我的建议是先别碰深度学习,把手上能交的东西先交了。真想入门,先花两周把 Python 补到能看懂官方那份 notebook 的程度,再回来。
真正能带走的东西长什么样
说回值不值。
9 讲 13.5 小时视频、配套那本免费书的全文 notebook、forums.fast.ai 这个社区、Kaggle 上每周 30 小时的免费 GPU——这些全是 0 元的,而且全是真的。作为一个预算有限还在攒简历的大二学生,这套东西的性价比高得有点离谱:它一分钱不要,还带着一整套社区和免费算力。
但它给不了你那行字。
给的是那个 notebook。官方课程页上就摆着一张恐龙分类器的截图,下面挂着一个能点的链接,论坛里还有个「分享你的作品」的帖子,一堆人选把自己的项目贴上去。Jeremy Howard 当年是 Kaggle 全球排名第一的选手(连续两年),后来当过 Kaggle 的总裁兼首席科学家;从这课出去的学生有人去了 Google Brain、OpenAI、Adobe。
你不用到那个水平。你只要在这 13.5 小时里留下一个能跑的东西就行。
我给自己排的节奏是这样的:第一个周末只过 lesson 1 和 lesson 2,把「部署」那一步跑通;之后每天 40 分钟看一讲,看完立刻开 notebook,别攒着。有个附加讲是 Data ethics(数据伦理),官方单独给了一讲,我觉得它比任何一讲都值钱——因为导师真会问,我第一次听的时候差点睡着,第二次听的时候正好在想我采的那些照片到底能不能拿来用。
想要省事把作业交了,我更推荐AI PPT 工具那 6 款的横向实测和Kimi 长文档那篇;想要简历上有个讲得清楚的项目,Hugging Face 完整使用指南里那些模型可以拿来当你 fastai 项目的素材,Civitai 的模型社区也能找现成的权重,比自己从零训省事。
我下一步打算这么干:把 lesson 2 那个部署好的模型做成能分享的链接挂到 GitHub,简历上写「用 fastai 训了一个分类器并部署成可访问的 Web 应用」。这行字我扛得住追问。
—— 通宵赶due