Kjør en Deep Learning Model i Java: A Quick Take

Vi er glade for å kunngjøre Deep Java Library (DJL), et open source-bibliotek for å utvikle, trene og kjøre dype læringsmodeller i Java ved hjelp av intuitive APIer på høyt nivå. Hvis du er en Java-bruker som er interessert i å lære dyp læring, er DJL en fin måte å begynne å lære på. Hvis du er en Java-utvikler som arbeider med dype læringsmodeller, vil DJL forenkle måten du trener og kjører spådommer på. I dette innlegget vil vi vise hvordan du kjører en prediksjon med en forhåndstrent dyp læringsmodell på få minutter.

Før vi begynner å kode, vil vi dele motivasjonen vår for å bygge dette biblioteket. Ved kartlegging av det dype læringslandskapet fant vi en overflod av ressurser for Python-brukere. For eksempel NumPy for dataanalyse; Matplotlib for visualiseringer; rammer som MXNet, PyTorch, TensorFlow og mange flere. Men det er svært få ressurser for Java-brukere, selv om det er det mest populære språket i bedriften. Vi satte oss som mål å gi millioner av Java-brukere åpen kildekodeverktøy for å trene og betjene modeller for dyp læring på et språk de allerede er kjent med.

DJL er bygget med innfødte Java-konsepter på toppen av eksisterende dype læringsrammer. Det gir brukerne tilgang til de nyeste innovasjonene innen dyp læring og muligheten til å jobbe med banebrytende maskinvare. De enkle API-ene tar bort kompleksiteten som er involvert i å utvikle dype læringsmodeller, noe som gjør dem enkle å lære og enkle å bruke. Med det medfølgende settet med forhåndstrente modeller i modell-zoo, kan brukere umiddelbart begynne å integrere dyp læring i Java-applikasjonene sine.

AWS

* Andre rammer støttes foreløpig ikke.

Dyp læring trenger inn i virksomheten på tvers av en rekke brukssaker. I detaljhandel brukes den til å forutsi etterspørsel fra kunder og analysere kundeinteraksjoner med chatbots. I bilindustrien brukes den til å navigere i autonome kjøretøyer og finne kvalitetsdefekter i produksjonen. Og i sportsbransjen endrer det måten spillet spilles på med sanntids coaching og treningsinnsikt. Tenk deg å kunne modellere motstandernes bevegelser eller bestemme hvordan du skal posisjonere laget ditt ved hjelp av dyplæringsmodeller. Du kan lære om hvordan Seattle Seahawks bruker dyp læring for å informere spillstrategi og akselerere beslutningstaking i denne artikkelen.

I dette innlegget deler vi et eksempel som slo akkord med fotballfans på laget vårt. Vi demonstrerer en motstandsdeteksjonsmodell som identifiserer spillere fra et bilde ved hjelp av en forhåndstrent Single Shot Detector-modell fra DJL-modell-zoo. Du kan kjøre dette eksemplet i både Linux og macOS.

For å bruke DJL med et applikasjonsprosjekt, opprett et gradeprosjekt med IntelliJ IDEA og legg til følgende i build.gradle-konfigurasjonen.

AWS

Merk: Kjøretidsavhengighet for MXNet er forskjellig for Linux- og macOS-miljøer. Referere tilGitHub-dokumentasjon.

Vi bruker dette fotballbildet for deteksjon.

AWS

Vi kjører prediksjon med kodeblokken som er delt nedenfor. Denne koden laster en SSD-modell fra modell-zoo, oppretter enPrediktor fra modellen, og brukerspå funksjon for å identifisere objektene i bildet. En hjelpefunksjon legger deretter ut avgrensningsbokser rundt de oppdagede objektene.

AWS

Denne koden identifiserer de tre spillerne i bildet og lagrer resultatet som ssd.png i arbeidskatalogen.

AWS

Denne koden og biblioteket kan enkelt tilpasses for å teste og kjøre andre modeller fra modell-zoo. Men moroa stopper ikke der! Du kan bruke spørsmålssvaremodellen til å trene din egen tekstassistent eller bildeklassifiseringsmodellen for å identifisere gjenstander på dagligvarehylla og mange flere. Vennligst besøk Github-repoen for flere eksempler.

I dette innlegget introduserte vi DJL, vår ydmyke innsats for å tilby Java-brukere den nyeste og største erfaringen med dyp læring. Vi demonstrerte hvordan DJL kan oppdage objekter fra bilder på få minutter med vår forhåndstrente modell. Vi gir mange flere eksempler og tilleggsdokumentasjon på DJL GitHub-depotet.

Vi ønsker samfunnets deltagelse i reisen velkommen. Gå til Github-depotet vårt og bli med på den slakke kanalen vår for å komme i gang.