djl

Deep Java圖書館（DJL）

概述

Deep Java圖書館（DJL）是一個開源的，高級的，發動機 - 不合時宜的Java框架，用於深度學習。 DJL設計為易於入門，易於使用Java開發人員。 DJL與任何其他常規Java庫一樣提供本地Java開發經驗和功能。

您不必是機器學習/深度學習專家即可開始。您可以將現有的Java專業知識用作學習和使用機器學習和深度學習的坡道。您可以使用自己喜歡的IDE來構建，訓練和部署模型。 DJL使將這些模型與您的Java應用程序集成在一起變得容易。

由於DJL是深度學習引擎不可知論，因此在創建項目時，您不必在引擎之間做出選擇。您可以隨時切換引擎。為了確保最佳性能，DJL還基於硬件配置提供了自動CPU/GPU選擇。

DJL的人體工程學API界面旨在指導您採用最佳實踐來完成深度學習任務。以下偽代碼演示了運行推理：

    // 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
        ...
    }

以下偽代碼展示了運行訓練：

    // 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 ();

入門

資源

• 文件
• DJL的D2L書
• Javadoc API參考

發行說明

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

計劃於2025年1月發布DJL 0.32.0。

從來源建造

要從源構建，請先檢查代碼。一旦您在本地檢查了代碼，就可以使用Gradle如下構建它：

 # for Linux/macOS:
./gradlew build

# for Windows:
gradlew build

為了提高構建速度，您可以使用以下命令跳過單元測試：

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

# for Windows:
gradlew build -x test

進食

將源項目導入Eclipse

 # for Linux/macOS:
./gradlew eclipse

# for Windows:
gradlew eclipse

在日食

文件 - >導入 - > gradle->現有的gradle項目

注意：請將您的工作區文本編碼設置設置為UTF-8

社區

您可以閱讀我們的社區論壇指南，遵循DJL，問題，討論和RFC，以找出分享和查找DJL社區內容的最佳方法。

加入我們的Slack頻道，與開發團隊取得聯繫，以進行問題和討論。

請按照我們的X（以前為Twitter）查看有關新內容，功能和發行版的最新信息。

關注我們關注我們獲取djl 最新的內容！

有用的鏈接

• DJL網站
• 文件
• DJL演示
• 潛入深度學習書Java版本

執照

該項目已根據APACHE-2.0許可獲得許可。