用途：fastai 是构建在 PyTorch 之上的分层 API，用于快速进行深度学习原型开发，覆盖计算机视觉、NLP 与表格数据建模，并以迁移学习和良好默认设置（如 One Cycle Policy）著称。
主要能力：提供视觉、表格、文本等高层管线；支持迁移学习，自动使用判别式学习率、1cycle 调度与 mixup 数据增强；支持图像分类、语义分割与目标检测；可通过 lr_find() 自动寻找较优学习率；表格任务支持类别嵌入与 Categorify、FillMissing、Normalize 等预处理；可将模型与预处理管线一起导出用于推理。
使用方式：视觉任务可从 fastai.vision.all 导入，用 ImageDataLoaders 或 DataBlock 构建数据管线，再用 vision_learner 创建学习器并调用 fine_tune。表格任务从 fastai.tabular.all 导入，用 TabularPandas 构建数据并配合 tabular_learner 训练。训练前建议先运行 learn.lr_find()，预训练模型应使用 fine_tune() 而非普通 fit()。可用 learn.export() 打包架构、权重与预处理变换，生产环境用 load_learner() 加载并调用 predict()。
适用场景：需要快速搭建视觉、NLP、表格模型的原型；使用预训练权重做迁移学习；自动寻找学习率；图像分类、语义分割、目标检测等任务。
限制与注意事项：资料未提供收费、价格、平台与效果等具体信息。常见问题包括 GPU 显存不足需减小 batch size；自定义标注函数在 export 时可能无法被 pickle，需定义在可导入模块中；单张图像应直接传给 learn.predict 以处理批次维度；类别不平衡时可向 CrossEntropyLossFlat 提供自定义权重。