fast.ai 實用深度學習｜課程總覽
course.fast.ai 全站整理：Part 1、Part 2、資源頁與學習路線
fast.ai 實用深度學習｜課程總覽（Practical Deep Learning for Coders）
一門免費課程，對象是有一點寫程式經驗、想把深度學習用在真實問題上的人。 （A free course for people with some coding experience who want to apply deep learning to practical problems.）
課程基本資料
| 項目 | 內容 |
|---|---|
| 網站 | course.fast.ai |
| 講者 | Jeremy Howard（fastai 開發者、前 Kaggle 總裁兼首席科學家），fast.ai 與 Dr. Rachel Thomas 共同創辦 |
| Part 1 | 2022 年在昆士蘭大學錄製，9 課，每課約 90 分鐘 |
| Part 2 | 超過 30 小時，從零實作 Stable Diffusion（第 9–25 課） |
| 教材 | 書本《Deep Learning for Coders with fastai and PyTorch》，全書有免費 Jupyter notebook 版 |
| 先備條件 | 約一年寫程式經驗（最好是 Python）、高中數學 |
| 練習平台 | Kaggle Notebooks（免費 GPU）、Paperspace Gradient；不建議用自己電腦訓練 |
三個迷思（官方首頁表格整理）
| 迷思（以為需要） | 事實 |
|---|---|
| 很多數學 | 高中數學就夠 |
| 很多資料 | 少於 50 筆資料也做出過破紀錄的結果 |
| 很多昂貴電腦 | 做到最先進水準所需的資源可以免費取得 |
使用的軟體
| 軟體 | 角色 |
|---|---|
| PyTorch | 底層深度學習函式庫，研究論文最常用 |
| fastai | 建在 PyTorch 上的高階函式庫，課程越往後越深入它的每一層 |
| Hugging Face Transformers | NLP 模型函式庫，第 4 課用來做專利片語相似度 |
| Gradio | 把模型做成網頁 App，第 2 課部署用 |
深度學習目前做得最好的領域（首頁清單整理）
- 自然語言處理：問答、語音辨識、摘要、文件分類、找出文件中的人名日期
- 電腦視覺：衛星與空拍判讀、人臉辨識、影像描述、交通號誌、自駕車偵測行人
- 醫學：放射影像異常、病理切片計數、超音波量測、糖尿病視網膜病變
- 生物：蛋白質摺疊與分類、基因體任務、細胞分類
- 影像生成：上色、提高解析度、去雜訊、風格轉換
- 推薦系統、遊戲（棋類、Atari）、機器人抓取、金融與物流預測、文字轉語音
學完會懂什麼
- 在電腦視覺、NLP、表格資料、協同過濾上訓練出最先進的模型
- 把模型變成網頁應用並部署
- 深度學習為何有效，怎麼用這些理解提高準確度、速度與可靠性
- 從零實作隨機梯度下降（SGD）與完整訓練迴圈
- 技術清單：隨機森林與梯度提升、仿射函數與非線性、參數與激活值、遷移學習、資料增強、權重衰減、嵌入（entity / word embeddings）
fast.ai 的教學法：由上而下
大學理工科多半「由下而上」：先打基礎，最後才做出有用的東西。fast.ai 反過來「由上而下」：第一課就先做出完整可用的模型，之後才一層層往下挖原理。官方推薦延伸閱讀：《Meta Learning》（Radek Osmulski）、《A Mathematician's Lament》（Paul Lockhart）、《Making Learning Whole》（David Perkins）。
全課程索引
| 課 | 課程筆記 | 英文標題 | F3 難度 | 學生作答 | 關聯圖 |
|---|---|---|---|---|---|
| L01 | 開始上手：五分鐘做出第一個模型 | Getting started | ★☆☆☆☆ 入門 | 中文 · EN | 圖 |
| L02 | 模型部署：把模型變成網頁 App | Deployment | ★★☆☆☆ 基礎 | 中文 · EN | 圖 |
| L03 | 神經網路基礎：梯度下降與 ReLU | Neural net foundations | ★★★☆☆ 中等 | 中文 · EN | 圖 |
| L04 | 自然語言處理（NLP）入門 | Natural Language (NLP) | ★★★☆☆ 中等 | 中文 · EN | 圖 |
| L05 | 從零打造模型：線性模型到深度網路 | From-scratch model | ★★★★☆ 進階 | 中文 · EN | 圖 |
| L06 | 隨機森林：可靠又好解釋的表格模型 | Random forests | ★★★☆☆ 中等 | 中文 · EN | 圖 |
| L07 | 協同過濾：推薦系統與嵌入 | Collaborative filtering | ★★★★☆ 進階 | 中文 · EN | 圖 |
| L08 | 卷積神經網路（CNN）與嵌入解讀 | Convolutions (CNNs) | ★★★★☆ 進階 | 中文 · EN | 圖 |
| L08A | 加課：資料倫理 | Bonus: Data ethics | ★★☆☆☆ 基礎（觀念題） | 中文 · EN | 圖 |
| L09 | Stable Diffusion 入門 | Stable Diffusion | ★★★★★ 大學程度（F3 只求理解概念） | 中文 · EN | 圖 |
| L10 | 深入管線：自組 Diffusers 與 miniai 起步 | Diving Deeper | ★★★★★ 大學程度（F3 只求理解概念） | 中文 · EN | 圖 |
| L11 | 矩陣乘法：從 Python 迴圈到快五百萬倍 | Matrix multiplication | ★★★★★ 大學程度（F3 只求理解概念） | 中文 · EN | 圖 |
| L12 | 均值漂移分群與 GPU 程式設計 | Mean shift clustering | ★★★★★ 大學程度（F3 只求理解概念） | 中文 · EN | 圖 |
| L13 | 反向傳播與多層感知器（MLP） | Backpropagation & MLP | ★★★★★ 大學程度（F3 只求理解概念） | 中文 · EN | 圖 |
| L14 | 反向傳播實作與 PyTorch 模組化 | Backpropagation | ★★★★★ 大學程度（F3 只求理解概念） | 中文 · EN | 圖 |
| L15 | 卷積自編碼器與 Learner 雛形 | Autoencoders | ★★★★★ 大學程度（F3 只求理解概念） | 中文 · EN | 圖 |
| L16 | Learner 框架與 Callback | The Learner framework | ★★★★★ 大學程度（F3 只求理解概念） | 中文 · EN | 圖 |
| L17 | 權重初始化與正規化 | Initialization/normalization | ★★★★★ 大學程度（F3 只求理解概念） | 中文 · EN | 圖 |
| L18 | 加速 SGD、學習率排程與 ResNet | Accelerated SGD & ResNets | ★★★★★ 大學程度（F3 只求理解概念） | 中文 · EN | 圖 |
| L19 | Dropout 與 DDPM 擴散模型 | DDPM and Dropout | ★★★★★ 大學程度（F3 只求理解概念） | 中文 · EN | 圖 |
| L20 | 混合精度、風格轉換與神經元胞自動機 | Mixed Precision | ★★★★★ 大學程度（F3 只求理解概念） | 中文 · EN | 圖 |
| L21 | DDIM：更快的擴散取樣 | DDIM | ★★★★★ 大學程度（F3 只求理解概念） | 中文 · EN | 圖 |
| L22 | Karras et al. (2022)：擴散模型設計空間 | Karras et al (2022) | ★★★★★ 大學程度（F3 只求理解概念） | 中文 · EN | 圖 |
| L23 | 超解析度：U-Net、感知損失與逐步解凍 | Super-resolution | ★★★★★ 大學程度（F3 只求理解概念） | 中文 · EN | 圖 |
| L24 | 注意力機制與 Transformer | Attention & transformers | ★★★★★ 大學程度（F3 只求理解概念） | 中文 · EN | 圖 |
| L25 | 潛在擴散與聲音生成（課程完結） | Latent diffusion | ★★★★★ 大學程度（F3 只求理解概念） | 中文 · EN | 圖 |
註：官方側欄列出的「Bonus: Lesson 9a / 9b」頁面在 2026-11-04 抓取時回傳 404。內容改從第 9 課的資源連結取得：9A 是 Jonathan Whitaker 的 Stable Diffusion 深入解說，9B 是擴散模型的數學。
資源頁
版權說明
本筆記是個人學習整理，文字為重新撰寫的摘要。圖片以官方原網址嵌入，版權屬 fast.ai 與原作者。原始內容請見 course.fast.ai。
