Download de djl - Download de código fonte de djl

djl

Outro código-fonte

v0.31.0

Baixar

Biblioteca Java Deep (DJL)

Visão geral

A Biblioteca Java Deep (DJL) é uma estrutura Java de código aberto, de alto nível e agnóstico do motor para aprendizado profundo. O DJL foi projetado para ser fácil de começar e simples de usar para desenvolvedores de Java. A DJL fornece uma experiência de desenvolvimento de Java nativo e funções como qualquer outra biblioteca Java regular.

Você não precisa ser um especialista em aprendizado de máquina/aprendizado profundo para começar. Você pode usar sua experiência em Java existente como uma rampa para aprender e usar o aprendizado de máquina e o aprendizado profundo. Você pode usar seu IDE favorito para construir, treinar e implantar seus modelos. O DJL facilita a integração desses modelos com seus aplicativos Java.

Como o DJL é um mecanismo de aprendizado profundo agnóstico, você não precisa fazer uma escolha entre os motores ao criar seus projetos. Você pode trocar os motores a qualquer momento. Para garantir o melhor desempenho, o DJL também fornece uma opção automática de CPU/GPU com base na configuração de hardware.

A interface da API ergonômica da DJL foi projetada para guiá -lo com as melhores práticas para realizar tarefas profundas de aprendizado. O pseudocode a seguir demonstra a inferência de execução:

    // Assume user uses a pre-trained model from model zoo, they just need to load it
    Criteria < Image , Classifications > criteria =
            Criteria . builder ()
                    . optApplication ( Application . CV . OBJECT_DETECTION ) // find object detection model
                    . setTypes ( Image . class , Classifications . class )    // define input and output
                    . optFilter ( "backbone" , "resnet50" )               // choose network architecture
                    . build ();

    Image img = ImageFactory . getInstance (). fromUrl ( "http://..." );    // read image
    try ( ZooModel < Image , Classifications > model = criteria . loadModel ();
         Predictor < Image , Classifications > predictor = model . newPredictor ()) {
        Classifications result = predictor . predict ( img );

        // get the classification and probability
        ...
    }

O pseudocode a seguir demonstra o treinamento em execução:

    // Construct your neural network with built-in blocks
    Block block = new Mlp ( 28 * 28 , 10 , new int [] { 128 , 64 });

    Model model = Model . newInstance ( "mlp" ); // Create an empty model
    model . setBlock ( block );                  // set neural network to model

    // Get training and validation dataset (MNIST dataset)
    Dataset trainingSet = new Mnist . Builder (). setUsage ( Usage . TRAIN ) ... . build ();
    Dataset validateSet = new Mnist . Builder (). setUsage ( Usage . TEST ) ... . build ();

    // Setup training configurations, such as Initializer, Optimizer, Loss ...
    TrainingConfig config = setupTrainingConfig ();
    Trainer trainer = model . newTrainer ( config );
    /*
     * Configure input shape based on dataset to initialize the trainer.
     * 1st axis is batch axis, we can use 1 for initialization.
     * MNIST is 28x28 grayscale image and pre processed into 28 * 28 NDArray.
     */
    trainer . initialize ( new Shape ( 1 , 28 * 28 ));
    EasyTrain . fit ( trainer , epoch , trainingSet , validateSet );

    // Save the model
    model . save ( modelDir , "mlp" );

    // Close the resources
    trainer . close ();
    model . close ();

Começando

Recursos

Documentação
Livro D2L da DJL
Referência da API Javadoc

Notas de liberação

0.31.0 (código)
0.30.0 (código)
0,29.0 (código)
0.28.0 (código)
0.27.0 (código)
+26 lançamentos

O lançamento do DJL 0,32.0 está planejado para janeiro de 2025.

Edifício da fonte

Para construir a partir da fonte, comece verificando o código. Depois de verificar o código localmente, você pode construí -lo o seguinte usando o gradle:

 # for Linux/macOS:
./gradlew build

# for Windows:
gradlew build

Para aumentar a velocidade de construção, você pode usar o seguinte comando para pular testes de unidade:

 # for Linux/macOS:
./gradlew build -x test

# for Windows:
gradlew build -x test

Importação para o eclipse

Para importar o projeto de origem para o eclipse

 # for Linux/macOS:
./gradlew eclipse

# for Windows:
gradlew eclipse

no eclipse

Arquivo-> Import-> Gradle-> Projeto Gradle existente

NOTA: Defina o seu espaço de trabalho que codifica a configuração do UTF-8

Comunidade

Você pode ler nosso guia para fóruns da comunidade, seguindo DJL, questões, discussões e RFCs para descobrir a melhor maneira de compartilhar e encontrar conteúdo da comunidade DJL.

Junte -se ao nosso canal Slack para entrar em contato com a equipe de desenvolvimento, para perguntas e discussões.

Siga nosso X (anteriormente Twitter) para ver atualizações sobre novos conteúdos, recursos e lançamentos.

关注我们知乎专栏获取 djl 最新的内容！