Olemme iloisia voidessamme ilmoittaa avoimen lähdekoodin kirjastosta Deep Java Library (DJL), joka kehittää, kouluttaa ja suorittaa syvällisiä oppimismalleja Javassa intuitiivisten, korkean tason sovellusliittymien avulla. Jos olet Java-käyttäjä, joka on kiinnostunut syvällisen oppimisen oppimisesta, DJL on loistava tapa aloittaa oppiminen. Jos olet Java-kehittäjä ja työskentelet syvällisten oppimismallien kanssa, DJL yksinkertaistaa tapaa, jolla harjoittelet ja suoritat ennusteita. Tässä viestissä näytämme kuinka ennustus voidaan suorittaa ennalta koulutetulla syvällisen oppimisen mallilla muutamassa minuutissa.
Ennen koodauksen aloittamista haluamme jakaa motivaatiomme tämän kirjaston rakentamiseksi. Tutkimalla syvällistä oppimisympäristöä löysimme runsaasti resursseja Python-käyttäjille. Esimerkiksi NumPy tietojen analysointiin; Matplotlib visualisointeihin; kehykset, kuten MXNet, PyTorch, TensorFlow ja monet muut. Mutta Java-käyttäjille on hyvin vähän resursseja, vaikka se onkin yrityksen suosituin kieli. Tavoitteenamme on tarjota miljoonille Java-käyttäjien avoimen lähdekoodin työkaluille syvällisten oppimismallien kouluttamiseen ja palvelemiseen heidän tuntemallaan kielellä.
DJL on rakennettu alkuperäisillä Java-konsepteilla olemassa olevien syvällisten oppimisen puitteiden päälle. Se tarjoaa käyttäjille pääsyn uusimpiin syvällisen oppimisen innovaatioihin ja kyvyn työskennellä huippuluokan laitteistojen kanssa. Yksinkertaiset sovellusliittymät tiivistävät syvällisten oppimismallien kehittämisen monimutkaisuuden, mikä tekee niistä helppokäyttöisiä ja helppoja soveltaa. Mallilla-eläintarhassa on valmiiksi koulutettuja malleja, joiden avulla käyttäjät voivat heti alkaa integroida syvällistä oppimista Java-sovelluksiinsa.
AWS* Muita kehyksiä ei tällä hetkellä tueta.
Syvä oppiminen on tunkeutumassa yritystoimintaan useissa käyttötapauksissa. Vähittäiskaupassa sitä käytetään asiakkaiden kysynnän ennustamiseen ja asiakkaiden vuorovaikutuksen chat-robottien kanssa analysointiin. Autoteollisuudessa sitä käytetään autonomisten ajoneuvojen navigointiin ja valmistusvirheiden löytämiseen. Ja urheilualalla se muuttaa pelin tapaa reaaliaikaisella valmentaja- ja harjoittelutiedolla. Kuvittele, että pystyt mallinnamaan vastustajasi liikkeet tai määrittämään, miten sijoittaa joukkueesi syvällisten oppimismallien avulla. Tästä artikkelista saat lisätietoja siitä, miten Seattle Seahawks käyttää syvää oppimista pelistrategian tiedottamiseen ja päätöksenteon nopeuttamiseen.
Tässä viestissä jaamme esimerkin, joka löi sointu tiimimme jalkapallofanien kanssa. Esittelemme vastustuksenilmaisumallin, joka tunnistaa pelaajat kuvasta käyttämällä DJL-malli-eläintarhan esikoulutettua Single Shot Detector -mallia. Voit suorittaa tämän esimerkin sekä Linuxissa että macOS: ssa.
Jos haluat käyttää DJL: tä sovellushankkeen kanssa, luo gradle-projekti IntelliJ IDEA: lla ja lisää seuraava build.gradle-määrityksiin.
AWSHuomaa: MXNetin ajonaikaiset riippuvuudet ovat erilaiset Linux- ja macOS-ympäristöissä. ViittaavatGitHub-ohjeet.
Käytämme tätä jalkapallokuvaa havaitsemiseen.
AWSSuoritamme ennustuksen alla jaetulla koodilohkolla. Tämä koodi lataa SSD-mallin malli-eläintarhasta, luoEnnustaja mallista ja käyttääennustaa -toiminto tunnistaa kuvan objektit. Auttaja-apuohjelma-toiminto sijoittaa sitten rajoittavat laatikot havaittujen esineiden ympärille.
AWSTämä koodi tunnistaa kuvan kolme pelaajaa ja tallentaa tuloksen nimellä ssd.png työhakemistoon.
AWSTämä koodi ja kirjasto voidaan helposti sovittaa testaamaan ja käyttämään muita malli- eläintarhan malleja. Mutta hauskuus ei lopu tähän! Voit käyttää kysymysvastausmallia kouluttamaan omaa tekstiavustajaasi tai kuvaluokitusmallia kohteiden tunnistamiseksi ruokakaupassa ja paljon muuta. Käy Github-repossa lisää esimerkkejä.
Tässä viestissä esiteltiin DJL, nöyrä pyrkimyksemme tarjota Java-käyttäjille uusin ja suurin syvällisen oppimisen kehittämiskokemus. Osoitimme, kuinka DJL pystyy havaitsemaan esineitä kuvista muutamassa minuutissa ennalta koulutetulla mallillamme. Tarjoamme monia muita esimerkkejä ja lisädokumentaatiota DJL GitHub -tietovarastosta.
Olemme tyytyväisiä yhteisön osallistumiseen matkaamme. Siirry Github-arkistoon ja liity löysälle kanavallemme aloittaaksesi.
