Deep Learning Brasília - Lição 1


(Pierre Guillou) #1

Post: Lição 2 >>>

[ Português ] Esta thread permite que os participantes do “Grupo de Estudo do Deep Learning de Brasília (DLB)” estudem coletivamente (em reunião presencial e online) a lição 1 (parte 1) do curso fast.ai, mas com certeza, está aberto para todos. Todos os vídeos desse curso estão online em http://course.fast.ai/.

Nota: o “Grupo de Estudo do Deep Learning de Brasília (DLB)” foi lançado em 19 de março de 2018 em Brasília (Brasil).

O idioma dessa thread é principalmente o português (e o inglês quando evitar traduções inúteis).

Por favor, use essa thread para perguntar e responder às perguntas da lição 1 (parte 1), mas antes de postar, leia as threads seguintes : Part 1 FAQ | Wiki Lesson 1 | How to ask for help | DeepLearning-Lec1Notes e Cats and Dogs code notes.


[ English ] This thread allows the participants of the “Brasília Deep Learning (DLB) Study Group” to study collectively (face-to-face and online) the lesson 1 (part 1) of the course fast ai but of course, it is opened to all. All the course videos are online at http://course.fast.ai/.

Note : the “Brasília Deep Learning (DLB) Study Group” was launched on March 19, 2018 in Brasilia (Brazil).

The language of this thread is mainly Portuguese (and English when it avoids useless translations).

Please, use this thread to ask / answer questions on lesson 1 (part 1) but before to post in this thread, please read : Part 1 FAQ | Wiki Lesson 1 | How to ask for help | DeepLearning-Lec1Notes e Cats and Dogs code notes.


Antes de postar, leiam as threads seguintes

Como usar este fórum

Além do post da @rachel (Welcome MOOC students!), leiam por favor a guia online “What is Discourse?”.

We use Discourse (a free, open source discussion platform) for these forums, and discourse relies on a system of trust levels. New users can only create a topic after they first spend 10 minutes (total) reading at least 3 different posts on the forum. We have these limits in place to encourage you to get acquainted a bit with the discussions and some of the existing content before you start posting, and to discourage spammers. After spending 10 minutes reading at least 3 different posts, your “trust level” will automatically increase. Discourse also has some rate limits about how quickly you can post. (At this point you’ll also be able to view a previously hidden post about how to join our slack channel.)

Objetivos do lição 1

  • Entender os objetivos do grupo, do curso e a metodologia fast.ai.
  • Entender a importância de usar um GPU no Deep Learning.
  • Criar-se um perfil no forum Fast.ai (http://forums.fast.ai) e colocar seu login numa Google Sheet criada pelos organizadores.
  • Abrir uma conta no Crestle (Paperspace também se possível), saber configurá-la e saber rodar o jupyter notebook da lição 1.
  • Entender a diferença entre Machine Learning e Deep Learning.
  • Entender o que é um Neural Network, non linearity e Gradient Descent.
  • Entender o que é um Image Classifier e a sua importância no DL (exemplos).
  • Entender o que é um CNN (Convolutional Neural Network), seu processo básico e o que “vê” um CNN.
  • Entender o que é o Transfer Learning, numpy e as primeiras noções de parâmetros de uma rede neural profunda (training/validation/testing set, learning rate, epochs).
  • Saber usar as funções learn.lr_find() e learn.sched.plot() para encontrar o Learning rate o mais adequado para o treinamento de um modelo de DL.

Video timelines for Lesson 1

Note : timeline created on the basis of the one of @EricPB with modification of urls in order to include the end parameter.

1) Course objective & Fastai community

2) GPU needed for Deep Learning

3) Crestle (online GPU service)

  • Link : https://www.youtube.com/embed/IPBSB1HLNLo?hl=en_US&cc_lang_pref=en_US&cc_load_policy=1&autoplay=1&start=243&end=379
  • Duration : 2 mn 16s (00:04:04 to 00:06:19)
  • Topics :
    – Jupyter Notebook is the 3rd most important tools used by all data scientist.
    – Use Crestle com if you don’t have a PC with a GPU (but you can choose in Crestle to run your Jupyter Notebooks with or without a GPU).
  • Todo :
    – Create an account on Crestle : at the account creation, you get a credit of 1 free GPU and CPU hour.
    – Run the Jupyter Notebook of Crestle (with or without the GPU option selected),
    – Go to courses >> fastai >> courses >> dl1 and open the Jupyter Notebook “lesson1.ipynb” in a new tab.
    – Then, you can go to your Jupyter Notebook in the new tab, go to the menu “File” and click onetime on “Make a Copy…” : it will create a new Jupyter Notebook “lesson1-Copy1.ipynb” which is your original file. Therefore, you can do what you want with the current “lesson1.ipynb” (even errors or delete everything you want :wink:
    – Don’t forget to stop your Jupyter Notebook by clicking on the red button “Stop Jupyter” to save your credit !

4) Paperspace (online GPU service)

(video section not shown in the classroom since Paperspace changed its activation process)

5) Start using the Jupyter Notebook of lesson 1

  • Link : https://www.youtube.com/embed/IPBSB1HLNLo?hl=en_US&cc_lang_pref=en_US&cc_load_policy=1&autoplay=1&start=754&end=1225
  • Duration : 7 mn 51s (00:12:34 to 00:20:25)
  • Topics :
    – Start with Jupyter Notebook lesson1.ipynb ‘Dogs vs Cats’.
    – Use Python 3.6
    – Main shortcuts in order to use a Jupyter Notebook.
    – Paperspace is faster than Crestle (use its owns GPU, Crestle uses the ones of AWS).
    – Notions of Training/Validation/Testing dataset : watch Machine Learning Course (not necessary for the Deep Learning course) : Another treat! Early access to Intro To Machine Learning videos
    – DL convention (keras, fastai…) : each folder name of a dataset is the label of the images (class label) in the folder.
    – An image (of a cat or a dog) is a 3 dimensional array.
  • Todo :
    – Run the Jupyter Notebook of Crestle (with or without the GPU option selected),
    – Go to courses >> fastai >> courses >> dl1 and open the Jupyter Notebook “lesson1.ipynb” in a new tab.
    – Delete # in lines of the paragraph “Extra steps if using Crestle”.
    – Run the Jupyter Notebook with SHIFT + ENTER until the START of the paragraph “Our first model: quick start”.
    – If you need, study the Machine Learning videos from Jeremy Howard.
    – Don’t forget to stop your Jupyter Notebook by clicking on the red button “Stop Jupyter” to save your credit !

6) Our first model: quick start

  • Link : https://www.youtube.com/embed/IPBSB1HLNLo?hl=en_US&cc_lang_pref=en_US&cc_load_policy=1&autoplay=1&start=1226&end=1450
  • Duration : 3 mn 44s (00:20:26 to 00:24:10)
  • Topics :
    – Our first model: quick start.
    – Transfert Learning : we use the pre-trained model resnet34 that won the Imagenet competition in 2015.
    – Running our first Deep Learning model with epoch, error on test and validation set, accuracy on validation set.
    – We get in 17s and 3 lines of codes (if using Paperspace, not Crestle) an accuracy on validation set above 98% ! (really above the 80% accuracy of the model that won the ImageNet competition in 2012).
    – Deep learning in 2018 does not always need big GPU resources or a lot of data.
    – The code we run is using the fastai library that implements all the best DL practices and which runs above pytorch (DL GPU library wrote by Facebook). The fastai library is very flexible.
  • Todo :
    – Run the Jupyter Notebook of Crestle (with or without the GPU option selected),
    – Go to courses >> fastai >> courses >> dl1 and open the Jupyter Notebook “lesson1.ipynb” in a new tab.
    – Run the Jupyter Notebook with SHIFT + ENTER until the END of the paragraph “Our first model: quick start”.
    – In Crestle, it will take more time than 17s but in a few minutes and 3 lines of code, you will get a model better than the model that won the ImageNet competition in 2012 :slight_smile:
    – Don’t forget to stop your Jupyter Notebook by clicking on the red button “Stop Jupyter” to save your credit !

7) Analyzing results: looking at pictures

  • Link : https://www.youtube.com/embed/IPBSB1HLNLo?hl=en_US&cc_lang_pref=en_US&cc_load_policy=1&autoplay=1&start=1451&end=1849
  • Duration : 6 mn 38s (00:24:11 to 00:30:49)
  • Topics :
    – “Analyzing results: looking at pictures” in lesson1.ipynb
    – We can use learn.predict() to get the logs of the probabilities cat or dog. To get the true probabilities, use np.exp() of the logs.
    – np is the alias of the numpy library.
    – Best practice : after running a model, check the results and improve your training+validation dataset and model.
  • Todo :
    – Run the Jupyter Notebook of Crestle (with or without the GPU option selected),
    – Go to courses >> fastai >> courses >> dl1 and open the Jupyter Notebook “lesson1.ipynb” in a new tab.
    – Run the Jupyter Notebook with SHIFT + ENTER until the START of the paragraph “Choosing a learning rate”.
    – Try now the model with your own dataset, even a small one (read : Fun with small image data-sets (Part 2)).
    – If not familiar with numpy, check a manual.
    – Don’t forget to stop your Jupyter Notebook by clicking on the red button “Stop Jupyter” to save your credit !

8) Revisiting Jeremy & Rachel’s approach of “Top-Down vs Bottom-Up”

(video section not shown in the classroom but important to understand the fastai philosophy in details)

9) Explaining the “Course Structure” of Fastai in 8 steps

(video section rapidely shown in the classroom but important to understand the fastai philosophy in details)

  • Link : https://www.youtube.com/embed/IPBSB1HLNLo?hl=en_US&cc_lang_pref=en_US&cc_load_policy=1&autoplay=1&start=2034&end=2664
  • Duration : 10 mn 31s (00:33:54 to 00:44:24)
  • Topics :
    – Explaining the “Course Structure” of Fastai, with a slide showing its 8 steps.
    – Looking at Computer Vision, then Structured Data (or Time Series) with the Kaggle Rossmann Grocery Sales competition, then NLP (Natural Language Processing), then Collaborative Filtering for Recommendation Systems, then Computer Vision again with ResNet.
    – Image classifier is key (AlphaGo used an image classifier in its DL model in 2016).

10) What is Deep Learning ? A kind of Machine Learning.

11) The Universal Approximation Theorem & Examples using Deep Learning

  1. Infinitely flexible function that can solve any problem. This is the Neural Network : a set of linear layers and non linear layers that can approximate any given problem if we have sufficient data for training it (Universal Approximation Theorem). This is a multiple hidden layers network (multiple hidden layers are necessary to get a better accuracy).
  2. Need to setup the parameters of this general function (all-purpose parameters filtering) for each use. This is the Gradient descent : this is the learning method of the parameters of our DL algorithm (after each epoch, we use it on the loss function to improve the value of our parameters by searching the global minimum of the loss function, even if it is often a local minimum).
  3. Need fast and scalable computation. This is the GPU : GPUs are globally 10 times faster than CPUs and cheaper. GPUs are necessary to train our DL models in a reasonably time.
    – DL uses : generate automatic answers to an email, Skype Translator, Semantic Style Transfer, cancer detection in medical images.
    – A lot of opportunities to solve problems with DL.

12) More examples using Deep Learning & CNN

13) Non linearity, Gradient Descent & Learning rate

  • Link : https://www.youtube.com/embed/IPBSB1HLNLo?hl=en_US&cc_lang_pref=en_US&cc_load_policy=1&autoplay=1&start=3733&end=4102
  • Duration : 3 mn 26s (01:02:13 to 01:08:22)
  • Topics :
    – Adding a Non-Linear Layer to our model, sigmoid or ReLu (rectified linear unit) : the key point is that allows us to create any kind of functions and so to solve any kind of problems.
    SGD (Stochastic Gradient Descent) : in order to find the minimum of an loss function, we can move from a point on the curve to the opposite direction of the gradient (derivative).
    – But we need to take a small step (but not too small…) : this is the learning rate.

14) What “sees” a CNN & Learning rate finder

  • Link : https://www.youtube.com/embed/IPBSB1HLNLo?hl=en_US&cc_lang_pref=en_US&cc_load_policy=1&autoplay=1&start=4103&end=4899
  • Duration : 13 mn 16s (01:08:23 to 01:21:39)
  • Topics :
    – A paper on “Visualizing and Understanding Convolutional Networks” : on the left, there are 9 kernel (filters) applied to the input layer that result in 9 feature maps in the first hidden layer (layer 1). Each filter searches a specific basic shape (edge), and on the right, there are the 9 top activations for each filter (within the images set used).
    — Key point : the filters are learned (the 9 numbers of its matrix), not programmed.
    — Layer 2 is the results of applying a new series of filters (16) on the 9 features maps of layer 1. Again, we show the 9 top activations for each filter. For example, we can see that now there are activations by photos of sunset, horizontal lines or corners : the layer 2 detects things more complicated than layer 1.
    — Layer 3 : its filters recognize text or human faces (only 3 layers to perform that detection !).
    — Layer 5 : its filters recognize animals…
    – Implementation on ‘lesson1.ipynb’
    – ‘Cyclical Learning Rates for Training Neural Networks’ with Fastai library as “lr_find” or learning rate finder : it allows to get semi-automatically the right learning rate to train our neural network :slight_smile:
    – Why it starts training a model but stops before 100%: use Learner Schedule Finder.
    – How many epochs to run ? (epochs : go through the entire dataset by batch). As many you want until the accuracy gets worst.
  • Todo :
    – Run the Jupyter Notebook of Crestle (with or without the GPU option selected),
    – Go to courses >> fastai >> courses >> dl1 and open the Jupyter Notebook “lesson1.ipynb” in a new tab.
    – Run the Jupyter Notebook with SHIFT + ENTER until the END of the paragraph “Choosing a learning rate”.
    – Look for the highest learning rate you can find using learn.lr_find() and after learn.sched.plot() with the best loss improve.
    – Try to raise the number of epochs and train again the model. What happens to the accuracy ?
    – Don’t forget to stop your Jupyter Notebook by clicking on the red button “Stop Jupyter” to save your credit !

15) Get information on functions used in your Jupyter Notebook

  • Link : https://www.youtube.com/embed/IPBSB1HLNLo?hl=en_US&cc_lang_pref=en_US&cc_load_policy=1&autoplay=1&start=4900&end=5081
  • Duration : 3 mn 01s (01:21:40 to 01:24:41)
  • Topics :
    – Why you need to use Numpy and Pandas libraries with Jupyter Notebook
    – Hit ‘TAB’ for more info, or “Shift-TAB” once or twice or thrice (three times) to bring up the documentation for the code.
    – Enter ‘?’ before the function, or ‘??’ to look at the code in details.
  • Todo :
    – Run the Jupyter Notebook of Crestle (with or without the GPU option selected),
    – Go to courses >> fastai >> courses >> dl1 and open the Jupyter Notebook “lesson1.ipynb” in a new tab.
    – Try what you saw in this video section.
    – Don’t forget to stop your Jupyter Notebook by clicking on the red button “Stop Jupyter” to save your credit !

16) Keyboard Shortcuts of Jupyter Notebook

  • Link : https://www.youtube.com/embed/IPBSB1HLNLo?hl=en_US&cc_lang_pref=en_US&cc_load_policy=1&autoplay=1&start=5082&end=5139
  • Duration : 0 mn 57s (01:24:42 to 01:25:39)
  • Topics :
    – Using the ‘H’ shortcut in Jupyter Notebook, to see the Keyboard Shortcuts.
  • Todo :
    – Run the Jupyter Notebook of Crestle (with or without the GPU option selected),
    – Go to courses >> fastai >> courses >> dl1 and open the Jupyter Notebook “lesson1.ipynb” in a new tab.
    – Try what you saw in this video section.
    – Don’t forget to stop your Jupyter Notebook by clicking on the red button “Stop Jupyter” to save your credit !

Fotos da primeira lição na terça e no sábado :slight_smile:


Brasília part 1 group
Deep Learning Brasilia - Lição 2
Deep Learning Brasília - Revisão (lições 1, 2, 3 e 4)
(Pierre Guillou) #2

Pessoal,

falei hoje de manhã em nosso primeiro encontro do post do @beecoderFun with small image data-sets (Part 2)” que explica “how to train a classifier to recognize if the human is wearing glasses or not, (using) a modified version of the Lesson 1 Jupyter notebook from the Fastai course”.

No início do post, Nikhil dá um link para um script python para baixar facilmente imagens do Google, e assim, criar um pequeno dataset pelo treinamento e validação do seu algoritmo de DL.

O script é Google Images Download.


Deep Learning Brasília - Revisão (lições 1, 2, 3 e 4)
(thiago gomes) #3

Existem diversas extensões para os browsers: o siraj usa no vídeo do darth vader esse:


(Pierre Guillou) #4

[ Edição do 24/03/2018 : thread “Paperspace setup help” a ler ]

[ Edição do 26/03/2018 : há 2 possibilidades para criar uma máquina no PaperSpace usando os jupyter notebooks do Fast.ai mas o passo-a-passo do @lucasosouza usando o Ubuntu 16.04 with Fast.ai Script é mais rápido porque não precisa pedir a “permissão” a PaperSpace ]


Hoje de manhã em nosso primeiro encontro, usamos o Crestle que foi bem útil.

Não criamos uma conta no PaperSpace conforme explicado nesta parte do video da lição 1 porque o processo foi alterado. Eis que o @jeremy escreveu no site fast.ai sobre isso :

You need an Nvidia GPU to complete this course, and this video shows how to set up a GPU server on a system called Paperspace. Note that the setup steps have been simplified since this video was created. You no longer need to set up the server from scratch. Instead, when prompted for a template, don’t choose ‘Ubuntu’ as shown in the video, but instead choose ‘Public Templates’ and then ‘fast.ai’. Reshama Shaikh has kindly provided written step by step instructions on the whole process.

Se puderem criar a sua conta no PaperSpace em casa antes do nosso segundo encontro, seria ótimo… e leiam bem a guia (step by step instructions on the whole process) : há um “$15 credit code” :slight_smile:

Nota : acabei de começar a criação e no momento de escolher “Public Templates >> Select icon for fast.ai”, o PaperSpace me perguntou “why” :slight_smile:
Segue um screenshot da minha resposta. Vamos esperar agora uma resposta positiva ! :slight_smile:


Paperspace setup help
(Pierre Guillou) #5

[ Edição do 26/03/2018 : há 2 possibilidades para criar uma máquina no PaperSpace usando os jupyter notebooks do Fast.ai mas o passo-a-passo do @lucasosouza usando o Ubuntu 16.04 with Fast.ai Script é mais rápido porque não precisa pedir a “permissão” a PaperSpace ]


2h depois, acabei de receber um email do PaperSpace autorizando o meu uso de um P4000 Linux machine.
Posso continuar a criação da minha conta PaperSpace dando meu cartão agora :wink: e seguindo a guia (step by step instructions on the whole process) para obter “$15 credit” :slight_smile:


(Lucas O. Souza) #6

Pessoal, aproveitando o fórum, todo feedback é bem vindo! Podemos continuar usando essa thread para discutir sobre a lição 1 e a dinâmica adotada na sala.


(Saul Campos Berardo) #7

Pessoal,

Alguém perguntou na aula desta terça (20/03/2016) como visualizar e executar o código dos scripts python utilizados no notebooks. Segue abaixo um roteiro de como converter o arquivo do notebook (.ipynb) para script python (.py) e como realizar as modificações necessárias para executá-lo no Crastle.

Para converter o notebook para um script python, basta seguir os passos abaixo:

  1. Na tela inicial do Jupyter, clicar no botão “>_ New Terminal” .

  2. Alterar diretório para o diretórioodo curso:
    cd courses/fastai/courses/dl1

  3. Converter notebook para script python (o script python será criado no mesmo diretório o scirpt lesson1.py)
    jupyter nbconvert --to script lesson1.ipynb

  4. Alterar backend utilizado pelo matplotlib (isto é necessário, já que não é possível mostrar os gráficos executando os scripts através do terminal):
    vim lesson1.py
    Na tela do vim, adicionar as linhas abaixo no início do arquivo, logo após a linha # coding: utf-8, e salvar o arquivo.
    import matplotlib
    matplotlib.use(‘Agg’) # Este backend evita que se tente plotar gráficos no terminal

  5. Comentar as linhas abaixo, adicionando “#” no início:
    get_ipython().run_line_magic(‘reload_ext’, ‘autoreload’)
    get_ipython().run_line_magic(‘autoreload’, ‘2’)
    get_ipython().run_line_magic(‘matplotlib’, ‘inline’)

  6. Executar o script com o ipython (é importante executar no ipython ao invés do python)
    ipython3 lesson1.py


(Pierre Guillou) #8

Oi @lucasosouza e todos os participantes,

só para complementar o post do @lucasosouza, antes de postar nesta thead (lição 1), leiam por favor a thread Wiki Lesson 1 : é a thread criada pelos @jeremy e @rachel no fim do ano passado para conversar sobre a lição 1 (parte 1) entre professores, alunos do programa internacional e alunos do curso em presencial na universidade de San Francisco. é um mina de ouro :slight_smile:

(… e somente se tiverem tempo :wink: leiam todas as threads da Parte 1 !)

Além disso, deem uma olhada se tiverem o tempo à seção About : há 8800 pessoas registradas nesse fórum ! Que bom para obter uma resposta a qualquer dúvida :slight_smile:

Por fim, é bom conhecer todas as funções desse fórum. Por isso, além do post da @rachel (Welcome MOOC students!), há um guia online : “What is Discourse?”.

Boa leitura :slight_smile:


(Pierre Guillou) #9

Cursos online e gratuitos sobre o Machine Learning :


(Pierre Guillou) #10

Quer “desenvolver um Rede Neural Profunda com apenas alguns cliques” e “assistir ao treinamento dela” ? http://playground.tensorflow.org :slight_smile:


(Pierre Guillou) #11

Quer comparar (e assim melhorar) a sua compreensão da lição 1 com a dos alunos do curso Fast.ai ?

Leiam DeepLearning-Lec1Notes do @timlee e Cats and Dogs code notes do @amritv :slight_smile:


(Lucas O. Souza) #12

Pessoal,

Uma correção importante: essas instruções do link que o Pierre postou estão desatualizadas. Não usem o template fastai que está disponível no paperspace.

O correto é iniciar uma máquina com o template ubuntu16, e usar esse script de configuração para configurar a máquina: http://files.fast.ai/setup/paperspace

Para quem não entende muito de linux, segue um passo-a-passo básico:

  1. Inicialize a máquina usando a senha padrão que foi enviada no seu email ao contratar a máquina virtual
  2. Execute o comando passwd, para já trocar a senha padrão
  3. Execute sudo nano setup.sh para abrir um editor de text com um novo arquivo. Copie e cole o texto para esse arquivo. Aperte ctrl+x, para sair, e ao perguntar se quer salvar ou não, Y para salvar, e depois enter novamente. Isso vai criar um arquivo setup.sh.
  4. Execute sudo chmod +x setup.sh para conceder todas as permissões nesse arquivo para o usuário atual
  5. Execute ./setup.sh para rodar o arquivo. Irá levar uns 20 minutos a meia hora para baixar tudo e configurar a máquina
  6. Quando terminar, rode sudo reboot para reinicializar a máquina.

As outras partes do tutorial (https://github.com/reshamas/fastai_deeplearn_part1/blob/master/tools/paperspace.md) pode seguir. Essas instruções substituem apenas a Parte I do Tutorial.

abs


Paperspace setup help
(Pierre Guillou) #13

[ Edição do 26/03/2018 :

  1. Até aqui, podem usar 2 possibilidades para criar uma maquina PaperSpace usando os jupyter notebooks do Fast.ai.
  2. o passo-a-passo do @lucasosouza usando o Ubuntu 16.04 with Fast.ai Script é mais rápido porque não precisa pedir a “permissão” a PaperSpace.
  3. o passo-a-passo usando o Fast.ai Public Templates funciona bem também (não é desatualizado) mas precisa pedir a “permissão” a PaperSpace.
    ]

Oi @lucasosouza,

segui o seu passo-a-passo e funcionou ! Obrigado :slight_smile: (e acabei de publicar também um post para @dillon e @reshama para entender o que está falso/desatualizado no tutorial publicado).

Uma pequena correção ao ponto 4 :

Na verdade, execute

sudo chmod +x setup.sh


(Pierre Guillou) #14

Bom dia @lucasosouza, bom dia a todos,

acabei de publicar um post para @dillon (dono do PaperSpace) falando o seguinte :

Hi @dillon,

my machine created through the Fast.ai Public Templates works :slight_smile: (whatever Web browser used)

In fact, it is needed after creation of a machine (whatever the process used in order to create it) :

  1. Go to https://www.paperspace.com/console/machines/
  2. Click on the wheel of the machine you want to launch
  3. Launch the machine by clicking on the Start button in the “Machine Actions” list.
  4. When the machine is started (blue “Ready”), go back to https://www.paperspace.com/console/machines/
  5. Then, click on the small terminal image of the machine launched. The terminal will be opened and you can start using it (a bit complicated but works :wink:

Just one more point : we agree now that creating a machine through the Fast.ai Public Templates or Ubuntu 16.04 with Fast.ai Script gives the same result BUT when using the Fast.ai Public Templates, it is needed to ask the permission (read my post). Why ? Many people of the Brasilia study group wait and wait and wait a (positive) answer…

Could you solve this issue ? Many thanks.

O que isso significa ?

  1. Até aqui, podem usar 2 possibilidades para criar uma maquina PaperSpace usando os jupyter notebooks do Fast.ai.
  2. o passo-a-passo do @lucasosouza usando o Ubuntu 16.04 with Fast.ai Script é mais rápido porque não precisa pedir a “permissão” a PaperSpace.
  3. o passo-a-passo usando o Fast.ai Public Templates funciona bem também (não é desatualizado) mas precisa pedir a “permissão” a PaperSpace.

Espero que isso ajude. Abraços.


(Erick Muzart Fonseca) #15

@pierreguillou e @lucasosouza
Encontro bloqueio de indisponibilidade, que requer explicar os motivos para criar uma instância com GPU, tanto usando o template Fast.ai, quanto usando o template Linux Ubuntu 16.01. Assim essa espera pela autorização do PaperSpace, após teste de validade do cartão de crédito com uma transação de U$ 1, parece ser inevitável.
Infelizmente, faço parte do grupo que não está recebendo resposta com autorização da Paperspace…


(Pierre Guillou) #16

Olá @ErickMFS,

entendo melhor : a gente precisa pedir uma vez a “permissão” a PaperSpace para usar o serviço PaperSpace (…). Acho que encontrei a razão neste post do @dillon : spammers.


(Lucas Neves) #17

Olá,

Boa tarde a todos. Tentei rodar um exemplo com um dataset de imagens de pessoas com óculos (glasses) e pessoas sem óculos(noglasses) e não obtive muito êxito. Utilizei um pequeno dataset de 15 imagens de validação e 77 imagens de treino e fiz upload na pasta no /courses/dl1/data.

Consegui realizar todos os passos, mas na hora de rodar o modelo apareceu esse erro:

Acredito que o erro pode estar na existência de um .DS_Store na pasta (utilizei um Mac para criar o arquivo).

Alguém sabe a melhor forma de deletar esse arquivo diretamente no script?
Ou vocês acreditam que pode ser outro erro?

Abs.,


(Saul Campos Berardo) #18

@LucasNevest89, é possível executar comandos do shell no próprio Jupyter Notebook. Basta inserir um ponto de exclamação ("!") no início da linha. Portanto, podes excluir o diretório com o comando:
!rm -rf .DS_Store

Na tela inicial do Jupyter Notebook é possível também abrir um terminal (no botão “New --> Other --> Terminal”).


(Pierre Guillou) #19

Fotos da primeira lição na terça e no sábado :slight_smile:


(Lucas Neves) #20

Muito obrigado pela dica!