简洁和效率，我们都要。
痛点
通过咱们之前几篇 fast.ai 深度学习框架介绍，很多读者都认识到了它的威力，并且有效加以了利用。
fast.ai 不仅语法简洁，还包裹了很多实用的数据集与预训练模型，这使得我们在研究和工作中，可以省下大量的时间。
跟着教程跑一遍，你会发现做图像、文本分类，乃至推荐系统，其实是非常简单的事情。
然而，细心的你，可能已经发现了一个问题：
fast.ai 训练数据体验很好；可做起测试集数据推断来，好像并不是那么高效。
教程里面，模型训练并且验证后，推断/预测是这么做的：
如果你只是需要对单个新的数据点做推断，这确实足够了。
但是如果你要推断/预测的是一个集合，包含成千上万条数据，那么该怎么办呢？
你可能会想到，很简单，写个循环不就得了？
从道理上讲，这固然是没错的。
但是你要真是那么实践起来，就会感觉到等待的痛苦了。
因为上面这条语句，实际上效率是很低的。
这就如同你要搬家。理论上无非是把所有要搬的东西，都从A地搬到B地。
但是，你比较一下这两种方式：
方法一，把所有东西装箱打包，然后一箱箱放到车上，车开到B地后，再把箱子一一搬下来。
方法二，找到一样要搬的东西，就放到车上，车开到B地，搬下来。车开回来，再把下一样要搬的东西放上去，车开走……重复这一过程。
你见过谁家是用方法二来搬家的？
它的效率太低了！
用循环来执行 predict 函数，也是一样的。那里面包含了对输入文本的各种预处理，还得调用复杂模型来跑这一条处理后的数据，这些都需要开销/成本。
怎么办？
其实，fast.ai 提供了完整的解决方案。你可以把测试集作为整体进行输入，让模型做推断，然后返回全部的结果。根本就不需要一条条跑循环。
可是，因为这个方式，并没有显式写在教程里面，导致很多人都有类似的疑问。
这篇文章里，我就来为你展示一下，具体该怎么做，才能让 fast.ai 高效批量推断测试集数据。
为了保持简洁，我这里用的是文本分类的例子。其实，因为 fast.ai 的接口逻辑一致，你可以很方便地把它应用到图像分类等其他任务上。
划分
为了保持专注，我们这里把一个模型从训练到推断的过程，划分成两个部分。
第一部分，是读取数据、训练、验证。
第二部分，是载入训练好的模型，批量推断测试集。
我把第一部分的代码，存储到了 Github 上，你可以在我的公众号“玉树芝兰”（nkwangshuyi）后台回复“train”，查看完整的代码链接。
点击其中的“Open in Colab”按钮，你可以在 Google Colab 云端环境打开并且执行它，免费使用 Google 提供的高性能 GPU 。
如果你想了解其中每一条代码的具体含义，可以参考我的这篇《如何用 Python 和深度迁移学习做文本分类？》。
注意，在其中，我加入了3条额外的数据输出语句。
分别是：
代码语言：javascript复制data_clas.save('data_clas_export.pkl')
这一条，存储了我们的分类数据（包含训练集、验证集、测试集）及其对应的标签。注意，因为 fast.ai 的特殊假设（具体见后文“解释”部分），测试集的标签全部都是0。
也正因如此，我们需要单独存储测试集的正确标签：
代码语言：javascript复制with open(path/"test_labels.pkl", 'wb') as f:
pickle.dump(test.label, f)
除了上述两条之外，你还需要保留训练好的模型。
毕竟，为了训练它，我们也着实是花了一番时间的。
代码语言：javascript复制learn.export("model_trained.pkl")
上述 pickle 数据文件，我都存储到了 Gitlab 公共空间。后面咱们要用到。
这就是训练和存储模型的全部工作了。
第二部分，才是本文的重点。
这一部分，我们开启一个全新的 Google Colab 笔记本，读入上述三个文件，并且对测试集进行批量推断。
这个笔记本，我同样在 Github 上存储了一份。
你可以在后台回复“infer”，找到它的链接。
下面，我给你一一讲解每一条代码语句的作用，并且告诉你一些关键点，避免你在使用过程中，跟我一样踩坑。
代码
首先，你要读入 fast.ai 的文本处理包。
代码语言：javascript复制from fastai.text import *
注意这个包可不只是包含 fast.ai 的相关函数。
它把许多 Python 3 新特性工具包，例如 pathlib 等，全都包含在内。这就使得你可以少写很多 import 语句。
下面，是从 Gitlab 中下载我们之前保存的 3 个 pickle 数据文件。
代码语言：javascript复制!git clone https://gitlab.com/wshuyi/demo_inference_ulmfit_fastai_data.git
如果你对 pickle 数据不是很熟悉，可以参考我的这篇文章《如何用 Pandas 存取和交换数据？》。
我们设定一下数据所在目录：
代码语言：javascript复制path = Path('demo_inference_ulmfit_fastai_data')
下面，我们就要把训练好的模型恢复回来了。
代码语言：javascript复制learn = load_learner(path, "model_trained.pkl")
不过这里有个问题。
虽然 fast.ai 是高度集成的，但为了避免训练结果占用空间过大，模型和数据是分别存储的。
这时我们读取回来的，只有一个预训练模型架构。配套的数据，却还都不在里面。
我们可以通过展示学习器 learn 的内容，来看看。
代码语言：javascript复制learn
注意下方架构的数据是完整的，但是训练集、验证集、测试集的长度，都是0。
这时候，我们就需要自己读入之前存好的分类数据了。
代码语言：javascript复制learn.data = load_data(path, "data_clas_export.pkl")
数据、模型都在，我们可以进行测试集数据推断了。
代码语言：javascript复制predictions = learn.get_preds(ds_type=DatasetType.Test, ordered=True)
注意这一句里，函数用的是 get_preds 。说明我们要批量推断。
数据部分，我们指定了测试集，即 DatasetType.Test。但是默认情况下，fast.ai 是不保持测试集数据的顺序的。所以我们必须指定 ordered=True 。这样才能拿我们的预测结果，和测试集原先的标记进行比较。
测试集推断的结果，此时是这样的：
代码语言：javascript复制predictions
这个列表里面包含了 2 个张量（Tensor）。
千万不要以为后面那个是预测结果。不，那就是一堆0.
你要用的，是第一个张量。
它其实是个二维列表。
每一行，代表了对应两个不同分类，模型分别预测的概率结果。
当然，作为二元分类，二者加起来应该等于1.
我们想要的预测结果，是分类名称，例如0还是1.
先建立一个空的列表。
代码语言：javascript复制preds = []
之后，用一个循环，一一核对哪个类别的概率大，就返回哪个作为结果。
代码语言：javascript复制for item in predictions[0].tolist():
preds.append(int(item[0]<item[1]))
看看我们最终预测的标记结果：
代码语言：javascript复制preds[:5]
为了和真实的测试集标记比较，我们还要读入第三个文件。
代码语言：javascript复制with open(path/"test_labels.pkl", 'rb') as f:
labels = pickle.load(f)
预测结果与真实标记我们都具备了。下面该怎么评价模型的分类效果？
这时可以暂时抛开 fast.ai ，改用我们的老朋友 scikit-learn 登场。
它最大的好处，是用户界面设计得非常人性化。
我们这里调用两个模块。
代码语言：javascript复制from sklearn.metrics import classification_report, confusion_matrix
先来看分类报告：
代码语言：javascript复制print(classification_report(labels, preds))
几千条数据训练下来，测试集的 f1-score 就已经达到了 0.92 ，还是很让人振奋的。
fast.ai 预置的 ULMfit 性能，已经非常强大了。
我们再来看看混淆矩阵的情况：
代码语言：javascript复制print(confusion_matrix(labels, preds))
分类的错误情况，一目了然。
解释
讲到这里，你可能还有一个疑惑，以易用著称的 fast.ai ，为什么没有把测试集推断这种必要功能做得更简单和直观一些？
而且，在 fast.ai 里，测试集好像一直是个“二等公民”一般。
以文本分类模型为例。
TextDataBunch 这个读取数据的模块，有一个从 Pandas 数据框读取数据的函数，叫做 from_df。
我们来看看它的文档。
注意这里，train_df（训练集） 和 valid_df （验证集）都是必填项目，而 test_df 却是选填项目。
为什么？
因为 fast.ai 是为你参加各种学术界和业界的数据科学竞赛提供帮助的。
这些比赛里面，往往都会预先给你训练集和验证集数据。
但是测试集数据，一般都会在很晚的时候，才提供给你。即便给你，也是没有标记的。
否则，岂不是成了发高考试卷的时候，同时给你标准答案了？
看过《如何正确使用机器学习中的训练集、验证集和测试集？》一文后，再看 fast.ai 的设计，你就更容易理解一些。
你训练模型的大部分时候，都不会和测试集打交道。甚至多数场景下，你根本都没有测试集可用。
所以，fast.ai 干脆把它做成了可选项，避免混淆。
然而，这种设计初衷虽然好，却也给很多人带来烦恼。尤其是那些不参加竞赛，只是想和已有研究成果对比的人们。
大量场景下，他们都需要频繁和测试集交互。
我建议 fast.ai ，还是把这部分人的需求考虑进来吧。至少，像本文一样，写个足够简明的文档或样例，给他们使用。
小结
通过这篇文章的学习，希望你掌握了以下知识点：
- 如何保存在 fast.ai 中训练的模型；
- 如何在 fast.ai 中读取训练好的模型，以及对应的数据；
- 如何批量推断测试集数据；
- 如何用 scikit-learn 进行分类测试结果汇报。
祝深度学习愉快！
