djl

Библиотека глубокой Java (DJL)

Обзор

Deep Java Library (DJL)-это рамка с открытым исходным кодом, высокоуровневая, агрессивная рамка Java для глубокого обучения. DJL предназначен для того, чтобы быть простым в начале работы и простым в использовании для разработчиков Java. DJL предоставляет нативную Java Development Experience и функции, как и любая другая обычная библиотека Java.

Вам не нужно быть экспертом по машинному обучению/глубокому обучению, чтобы начать работу. Вы можете использовать свой существующий опыт Java в качестве набора для изучения и использования машинного обучения и глубокого обучения. Вы можете использовать свою любимую IDE для строительства, обучения и развертывания своих моделей. DJL позволяет легко интегрировать эти модели с вашими приложениями Java.

Поскольку DJL глубоко обучает агностик, вам не нужно делать выбор между двигателями при создании ваших проектов. Вы можете переключать двигатели в любой точке. Чтобы обеспечить наилучшую производительность, DJL также предоставляет автоматический выбор ЦП/графического процессора на основе конфигурации аппаратного обеспечения.

Эргономичный интерфейс API DJL предназначен для того, чтобы помочь вам с лучшими практиками для выполнения задач глубокого обучения. Следующий псевдокод демонстрирует выполнение вывода:

    // 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
        ...
    }

Следующий псевдокод демонстрирует управление обучением:

    // 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 ();

Начиная

Ресурсы

• Документация
• DJL's D2L Книга
• Javadoc API Ссылка

Выпуск заметок

• 0,31,0 (код)
• 0,30,0 (код)
• 0,29,0 (код)
• 0,28,0 (код)
• 0,27,0 (код)
• +26 выпусков

Выпуск DJL 0,32,0 запланирован на январь 2025 года.

Здание из источника

Чтобы построить из источника, начните с проверки кода. После того, как вы проверили код локально, вы можете создать его следующим образом, используя Gradle:

 # for Linux/macOS:
./gradlew build

# for Windows:
gradlew build

Чтобы увеличить скорость сборки, вы можете использовать следующую команду для пропуска модульных тестов:

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

# for Windows:
gradlew build -x test

Импорт в Eclipse

Чтобы импортировать источник проекта в Eclipse

 # for Linux/macOS:
./gradlew eclipse

# for Windows:
gradlew eclipse

в затмении

File-> Import-> Gradle-> существующий проект Gradle

Примечание. Установите настройку кодирования текста рабочей области в UTF-8

Сообщество

Вы можете прочитать наше руководство по форумам сообщества, после DJL, проблем, дискуссий и RFC, чтобы выяснить лучший способ поделиться и найти контент от сообщества DJL.

Присоединяйтесь к нашему каналу Slack, чтобы связаться с командой разработчиков, по вопросам и обсуждениям.

Следите за нашим X (ранее Twitter), чтобы увидеть обновления о новом контенте, функциях и выпусках.

关注我们 知乎专栏 获取 DJL 最新的内容！

Полезные ссылки

• Веб -сайт DJL
• Документация
• DJL Demos
• Погрузитесь в глубокую учебную книгу Java версию

Лицензия

Этот проект лицензирован по лицензии Apache-2.0.