djl

Deep Java图书馆（DJL）

概述

Deep Java图书馆（DJL）是一个开源的，高级的，发动机 - 不合时宜的Java框架，用于深度学习。 DJL设计为易于入门，易于使用Java开发人员。 DJL与任何其他常规Java库一样提供本地Java开发经验和功能。

您不必是机器学习/深度学习专家即可开始。您可以将现有的Java专业知识用作学习和使用机器学习和深度学习的坡道。您可以使用自己喜欢的IDE来构建，训练和部署模型。 DJL使将这些模型与您的Java应用程序集成在一起变得容易。

由于DJL是深度学习引擎不可知论，因此在创建项目时，您不必在引擎之间做出选择。您可以随时切换引擎。为了确保最佳性能，DJL还基于硬件配置提供了自动CPU/GPU选择。

DJL的人体工程学API界面旨在指导您采用最佳实践来完成深度学习任务。以下伪代码演示了运行推理：

    // 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
        ...
    }

以下伪代码展示了运行训练：

    // 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 ();

入门

资源

• 文档
• DJL的D2L书
• Javadoc API参考

发行说明

• 0.31.0（代码）
• 0.30.0（代码）
• 0.29.0（代码）
• 0.28.0（代码）
• 0.27.0（代码）
• +26版本

计划于2025年1月发布DJL 0.32.0。

从来源建造

要从源构建，请先检查代码。一旦您在本地检查了代码，就可以使用Gradle如下构建它：

 # for Linux/macOS:
./gradlew build

# for Windows:
gradlew build

为了提高构建速度，您可以使用以下命令跳过单元测试：

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

# for Windows:
gradlew build -x test

进食

将源项目导入Eclipse

 # for Linux/macOS:
./gradlew eclipse

# for Windows:
gradlew eclipse

在日食

文件 - >导入 - > gradle->现有的gradle项目

注意：请将您的工作区文本编码设置设置为UTF-8

社区

您可以阅读我们的社区论坛指南，遵循DJL，问题，讨论和RFC，以找出分享和查找DJL社区内容的最佳方法。

加入我们的Slack频道，与开发团队取得联系，以进行问题和讨论。

请按照我们的X（以前为Twitter）查看有关新内容，功能和发行版的最新信息。

关注我们关注我们获取djl 最新的内容！

有用的链接

• DJL网站
• 文档
• DJL演示
• 潜入深度学习书Java版本

执照

该项目已根据APACHE-2.0许可获得许可。