fast.ai 的「Practical Deep Learning for Coders」是一门免费的深度学习课程，第 1 部分共 9 课、每课约 90 分钟，第 2 部分超过 30 小时视频。本文依据 2026 年 10 月 20 日查阅的官方课程页面和 GitHub 仓库，整理两部分的内容、所用库、免费配套书、运行环境与费用、证书情况和学习顺序。
两部分课程的内容与课时
第 1 部分是 2022 年在昆士兰大学录制的版本，官方首页写明共 9 课、每课约 90 分钟。课程页按顺序列出 8 节编号课：入门、部署、神经网络基础、自然语言处理、从零搭建模型、随机森林、协同过滤和卷积神经网络，另有一节由 Rachel Thomas 讲授、2020 年录制的「数据伦理」加课。按官方说法，学完后能为计算机视觉、自然语言处理、表格数据和推荐系统训练模型，把模型部署成网页应用，并从零实现随机梯度下降和完整的训练循环。先修要求是约一年编程经验（最好是 Python）和高中数学，所需的微积分和线性代数在课上补讲。
第 2 部分名为「From Deep Learning Foundations to Stable Diffusion」，fast.ai 于 2023 年 4 月 4 日正式发布，视频总长超过 30 小时，课程页编号为第 9 课至第 25 课。内容从矩阵乘法、反向传播和自建训练框架讲起，再实现 DDPM、DDIM 和 Karras 等人 2022 年论文中的扩散模型方法，第 25 课以潜空间扩散收尾。官方建议先学完第 1 部分；若没学过，至少要能用 Python 从零写出 SGD 训练循环，并熟悉 PyTorch 和 fastai。第 9 课页面还提醒，这部分有不少内容通常只在研究生课程中出现，需要投入大量学习时间。
所用库、配套书与更新情况
第 1 部分用到 PyTorch、fastai、Hugging Face Transformers 和 Gradio。PyTorch 是底层框架，fastai 是在 PyTorch 之上提供高层接口的库；Transformers 用在第 4 课的专利短语相似度任务，Gradio 则配合 Hugging Face Spaces 用于第 2 课的模型部署。第 2 部分主要直接写 PyTorch，并一步步搭出名为 miniai 的小型训练框架，同时用到 Hugging Face 的 Diffusers 和 Accelerate 库。fastai 库仍在维护：PyPI 上的最新版本是 2.8.12，上传于 2026 年 9 月 9 日，要求 Python 3.10 及以上，采用 Apache-2.0 许可证。
配套书《Deep Learning for Coders with fastai and PyTorch: AI Applications Without a PhD》由 Jeremy Howard 和 Sylvain Gugger 撰写，2020 年由 O'Reilly 出版。全书 20 章都以 Jupyter 笔记本的形式放在 GitHub 仓库 fastai/fastbook 中，可以在 Colab 里直接运行，也能用 nbviewer 只读浏览；fastbook2e 网站上的排版版只完整开放第 1、4、13、14、16、17 章，其余章节仅有开头预览。仓库中的代码采用 GPL v3 许可，正文文字只允许个人学习时复制或私下 fork，不得转载、改换格式或商用。每节课的页面都会注明对应章节，例如第 1 课对应第 1 章、第 3 课对应第 4 章、第 8 课对应第 13 章。
更新情况方面，课程网站本身没有标注更新日期，视频仍是 2022 年录制的版本。截至 2026 年 10 月 20 日，fastbook 仓库最近一次提交在 2026 年 10 月 12 日，内容是把第 2 章的图片搜索改为基于 SerpAPI；第 1 部分的笔记本仓库 fastai/course22 最近一次提交是 2024 年 10 月 8 日，第 2 部分的 fastai/course22p2 停在 2023 年 5 月 4 日。旧笔记本与新版本库之间可能出现不兼容，运行报错时可先到 forums.fast.ai 搜索。
运行环境、费用与证书
课程视频和配套书的笔记本版都免费。官方不建议用自己的电脑训练模型，除非熟悉 Linux 系统管理、GPU 驱动和 CUDA，主要推荐 Kaggle Notebooks 和 Paperspace Gradient。每课都附有可以直接“Copy & Edit”的 Kaggle 笔记本，Kaggle 提供免费 GPU，但账号要先完成手机号验证。读书时可以用 Google Colab 打开各章，官方描述 Colab 为免费、另有付费订阅。课程页给出的 Paperspace 链接是推荐注册链接，注册可得 10 美元额度，fast.ai 同时获得额度。Kaggle 每周 GPU 时长、Colab 免费档配额和 Paperspace 目前是否仍有免费档，课程页面都没有写明，待核对。课程页面也未说明地区限制，Kaggle、Colab 和 YouTube 在所在地区能否正常访问需自行确认。
证书方面，课程页面没有提到结业证书、考试、报名或截止日期，是随时可以开始的录播课程。fast.ai 论坛 2017 年 4 月 29 日的一条讨论中，学员回复称线上课程不发证书，只有当年在旧金山大学线下上课的学员才能获得；这是学员回答而非官方声明，时间也较早，当前政策待核对。官方首页提到，许多学员会把课程项目发到论坛展示，可以把它当作学习成果的记录方式。
建议的学习顺序
以下顺序依据官方各课页面的安排整理，括号内注明出处；未注明的是本站建议。
- 准备环境：确认有约一年的 Python 编程经验，注册 Kaggle 并完成手机号验证；没用过 Jupyter 的话，先看课程提供的 Jupyter Notebook 101（课程首页、第 1 课页面）。
- 按顺序学第 1 部分第 1–8 课：每课先看视频，再在 Kaggle 上跑当课笔记本，然后读页面标注的书中章节（第 1 课页面）。各课对应章节为：第 1 课→第 1 章，第 2 课→第 2 章，第 3 课→第 4 章，第 4 课→第 10 章，第 5 课→第 4、9 章，第 6 课→第 9 章，第 7 课→第 8 章，第 8 课→第 13 章。
- 第 2 课就动手部署：用自己收集的数据训练模型，部署到 Hugging Face Spaces（第 2 课页面）。
- 穿插数据伦理加课：可在部署自己的第一个模型之后观看，配合阅读第 3 章。
- 补读未覆盖的章节：第 1 部分课程没有直接对应第 5–7、11–12、14–19 章，这些章节可作为进入第 2 部分前的过渡；fastbook2e 网站写明，读完前八章或学完课程即可开始第 2 部分。
- 再进入第 2 部分：先确认自己能从零写出 SGD 训练循环（第 2 部分概览页），然后从第 9 课开始。第 9 课先用 Diffusers 生成图像，之后的课次回到矩阵乘法、反向传播、Learner 框架、初始化和优化器等基础，最后依次讲 DDPM、DDIM、Karras 方法、超分辨率、注意力机制和潜空间扩散。