古典的なMINSTのデータをfast.ai v1で試そうとしたが，バグがあったのでメモしておく．

path = untar_data(URLs.MNIST)
!ls {path}

で保存されたフォルダの中身をみてみると，testing training　なっている．MNIST_SAMPLEやTINYと違う名前になっているようだ．

!mv {path}/testing {path}/valid
!mv {path}/training {path}/train
!ls {path}

で名前を変更すれば，あとは同じ手順を踏めばよい．MNISTで画像用の転移学習を奨めている記事もみかけるが，Jeremy Howardが言っているようにセンスが悪い．手書き文字なのでデータ増大にflipを使わないようにして，データを生成しておく．

tfms = get_transforms(do_flip=False)
data = ImageDataBunch.from_folder(path, ds_tfms=tfms)
data.normalize()

アーキテクチャ（モデル）は流行のDarknetで，0から9の10個のクラス分けをするように指示して，これも最近流行のone_cycle学習を10エポックくらい行ってみる．

learn = Learner(data, models.Darknet(num_blocks=[1,2,8,8,4],num_classes=10),metrics=accuracy).to_fp16()
learn.fit_one_cycle(10, wd=0.4)

結果は精度99.63%でhttps://benchmarks.ai/mnistによると，2014年あたりの世界記録のようだ．

Total time: 37:31
epoch train_loss valid_loss accuracy
1 0.155516 0.112672 0.965900
2 0.127156 0.219223 0.930600
3 0.105702 0.232880 0.925400
4 0.085650 0.051214 0.986000
5 0.067089 0.055709 0.982600
6 0.062929 0.066264 0.979300
7 0.050828 0.039139 0.988100
8 0.033654 0.023069 0.991800
9 0.017169 0.011623 0.996200
10 0.014438 0.011073 0.996300

損出関数の値が悪かった9つのデータを表示して，混合行列を出力する．

preds,y,losses = learn.get_preds(with_loss=True)
interp = ClassificationInterpretation(data, preds, y, losses)
interp.plot_top_losses(9, figsize=(7,7))

interp.plot_confusion_matrix()