卖不完的面包终于能算账了用fastbook给社区小店做每日销量预测【免费下载链接】fastbookThe fastai book, published as Jupyter Notebooks项目地址: https://gitcode.com/gh_mirrors/fa/fastbook我在小区楼下开了家面包店最怕的不是客人嫌口味而是每天打烊后那一袋袋没卖完的牛角包和吐司只能原封不动丢进垃圾桶。连续三个月光剩货损耗就吃掉了我近一成的毛利。直到我试着用 fastbook 训练了一个销量预测模型——fastbook 是 fastai 团队以 Jupyter Notebook 形式发布的一本深度学习实战书——现在我在打烊前就能知道明天该烤多少损耗被压下去将近一半。我把这段从踩坑到跑通的全过程写在这里。你不用懂数学跟着这条主线走完也能给你的小店、工作室或者任何有备货焦虑的生意装上一个会算账的大脑。先搞懂一件事预测销量到底在预测什么我店里有一位干了二十年的老烘焙师。他瞄一眼天气预报再想想明天是周几、有没有节日就能报出明天做八十个牛角包够了。但你问他怎么算出来的他只能挠头说凭感觉。机器学习要做的就是把这股感觉变成看得见的数字规律。做法很朴素把过去每一天像账本一样排成一行——哪一天、什么天气、周末还是工作日、有没有促销、最后卖了多少——然后让电脑自己翻这三年的旧账找出什么样的日子卖得多、什么样的日子卖得少。这正是 fastbook 反复在练的事。它不像传统教材那样堆公式而是带着你在 Jupyter Notebook 里一行行写、一行行看结果跟记笔记一样顺手新手完全跟得上。第一步如何把三年流水账整理成模型认识的表格先说问题。我的销售记录是手写便签加 Excel 混搭日期格式五花八门下雨那几天销量经常漏记搞促销的日子又和正常日混在一起。这样的数据直接喂给模型等于让一个近视眼去认人。fastbook 的09_tabular.ipynb章节就是为这类表格数据准备的。核心思路一句话一行是一天一列是一类信息。先把日期拆成星期几、几号、第几周、是否月末再把天气、节假日这些信息补全最后删掉明显记错的行。整理完模型就能开始读账本了。看这张销量曲线工作日和周末、晴天和雨天高低起伏其实是有规律的。fastbook 教的就是把这些规律挖出来。第二步给表格加佐料特征到底怎么来光有销量数字还不够。模型是只认数字、不认文字的你得把下雨周五店庆这些信息翻译成它能懂的形式。这一环节在机器学习里叫特征工程。fastbook 的表格章节里有个很省心的做法一行代码把日期列拆成星期、月份、第几周等一堆可用字段再手动把天气分档晴0、阴1、雨2把节日和促销标记成 0 和 1。特征越齐全模型能看懂的细节就越多。顺带说一句这张图是 fastbook 里讲数据分析全流程的经典图。很多人以为建模就是全部其实数据整理和落地维护花的时间更多——这也是我踩出来的教训。第三步选哪个模型随机森林还是神经网络到了训练这一步新手最容易慌我该用哪个模型别慌fastbook 在同一个章节里把两类主流模型都跑给你看照着选就行。随机森林像一群拿着规则手册的店员开会投票。每棵树只会问几个简单问题比如是周末吗温度超过二十五度吗几百棵树各投各的少数服从多数。它训练快、好解释适合起步。神经网络更像一位从零开始的学徒不靠现成规则而是自己在海量数据里摸索销量和天气之间到底什么关系。数据越多、规律越复杂它的上限越高。在 fastbook 里训练代码短得超乎想象learn tabular_learner(dls, layers[200,100], metricsrmse) learn.fit_one_cycle(5)两行模型就开始学了。我第一次看到输出时还以为是哪里写错了——原来真的就这么简单。第四步上线前先验货评估和调参别偷懒模型训练完千万别急着直接用来决定明天的备货量。你得先让它考一场试拿一部分它从没见过的历史日子去预测看误差大不大。fastbook 把这个叫验证集几乎每个章节都会反复强调它——只看训练成绩等于考场上拿着答案自评毫无意义。还有一个关键旋钮叫学习率它决定模型每步学多快。调小了半天学不动调大了直接学飞。fastbook 用的一套叫1cycle的调度方案让学习率先升后降像开车先加速再平稳进站又快又稳。两个坑我替你踩过了坑一数据不多还硬上大模型结果过拟合。有一阵我嫌随机森林不够高级换了更深的神经网络训练误差漂亮得很一上线全错。后来才明白它把历史里偶然的噪音当成规律背下来了——这就是过拟合。fastbook 在基础章节里专门画了这张对比图看完我才真正理解学得越多不等于学得越对。数据量小的时候优先选简单的模型。坑二冷启动。如果是一家新店没有三年历史数据怎么办我的建议是别硬来先按简单规则备货比如周一到周四少备、周末多备三成跑一个月把数据攒起来再交给模型。fastbook 在08_collab.ipynb里讲协同过滤思路其实能帮你找到和你相似的其他门店互相参考——把用户给电影打分换成顾客对商品的购买完全通用。想更精准可以试试序列模型如果已经攒了两三年数据想预测的不再是明天卖多少而是明天下午三点到五点卖多少那就该上 LSTM 这类序列模型了。它跟普通表格模型最大的区别是记得住上周六卖爆了这种先后关系。不过 LSTM 的细节比较多建议先把表格模型跑通再来看 fastbook 的12_nlp_dive.ipynb那里把它的每个门都拆开讲透了。快速上手清单想自己动手跑一遍照着下面五步走装好 Python再按项目里的environment.yml或requirements.txt把环境配齐克隆仓库git clone https://gitcode.com/gh_mirrors/fa/fastbook从01_intro.ipynb开始把前几章的基础代码跑顺再跳到09_tabular.ipynb看表格模型把你的销售数据整理成一行一天的表格替换掉示例数据跑通预测后先人工核对两周确认靠谱了再逐步放手。常见疑问一定要有显卡吗不用。预测销量这类表格任务普通 CPU 就够跑09_tabular.ipynb全程不需要 GPU。完全没写过 Python 能跟上吗能。fastbook 本来就是写给非专业读者的前几章会手把手带你从零开始。预测老是不准先改什么先查数据再查特征最后才动模型。九成的不准都是数据漏记、特征没补全造成的别一上来就换模型。结语回想当初那些被丢掉的牛角包它们代表的不只是损耗更是凭感觉备货这件事的成本。fastbook 没有给我什么魔法只是把老烘焙师脑子里的经验变成了一张张能算的表格和两行代码。今天看完这篇的你离今晚就知道明天该烤多少只差一次克隆仓库、再一本一本跑完 Notebook 的距离。动手吧第一份预测结果会比你想的更早出现。【免费下载链接】fastbookThe fastai book, published as Jupyter Notebooks项目地址: https://gitcode.com/gh_mirrors/fa/fastbook创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考