Jalankan Model Pembelajaran Dalam di Java: Langkah Cepat

Kami dengan senang hati mengumumkan Perpustakaan Jauh Java (DJL), sebuah perpustakaan sumber terbuka untuk mengembangkan, melatih dan menjalankan model pembelajaran mendalam di Jawa menggunakan API tingkat tinggi yang intuitif. Sekiranya anda pengguna Java berminat mempelajari pembelajaran mendalam, DJL adalah kaedah terbaik untuk memulakan pembelajaran. Sekiranya anda seorang pembangun Java yang bekerja dengan model pembelajaran mendalam, DJL akan mempermudah cara anda melatih dan menjalankan ramalan. Dalam catatan ini, kami akan menunjukkan cara menjalankan ramalan dengan model pembelajaran mendalam yang telah dilatih dalam beberapa minit.

Sebelum memulakan pengekodan, kami ingin berkongsi motivasi kami untuk membina perpustakaan ini. Dalam meninjau landskap pembelajaran mendalam, kami menemui banyak sumber untuk pengguna Python. Sebagai contoh, NumPy untuk analisis data; Matplotlib untuk visualisasi; kerangka kerja seperti MXNet, PyTorch, TensorFlow, dan banyak lagi. Tetapi ada sangat sedikit sumber daya untuk pengguna Java, walaupun itu adalah bahasa yang paling popular di perusahaan. Kami menetapkan dengan tujuan untuk menyediakan jutaan pengguna Java alat sumber terbuka untuk melatih dan melayani model pembelajaran mendalam dalam bahasa yang sudah mereka kenal.

DJL dibina dengan konsep Java asli di atas kerangka pembelajaran mendalam yang ada. Ia menawarkan pengguna akses kepada inovasi terkini dalam pembelajaran mendalam dan kemampuan untuk bekerja dengan perkakasan canggih. API sederhana menghilangkan kerumitan yang terlibat dalam mengembangkan model pembelajaran mendalam, menjadikannya mudah dipelajari dan mudah diterapkan. Dengan kumpulan model pra-terlatih di kebun binatang model, pengguna dapat segera mulai mengintegrasikan pembelajaran mendalam ke dalam aplikasi Java mereka.

AWS

* Rangka kerja lain pada masa ini tidak disokong.

Pembelajaran mendalam menembusi perusahaan dalam pelbagai kes penggunaan. Secara runcit, ini digunakan untuk meramalkan permintaan pelanggan dan menganalisis interaksi pelanggan dengan chatbots. Dalam industri automotif, ia digunakan untuk menavigasi kenderaan autonomi dan mencari kecacatan kualiti dalam pembuatan. Dan dalam industri sukan, ia mengubah cara permainan ini dimainkan dengan wawasan latihan dan latihan masa nyata. Bayangkan dapat memodelkan gerakan lawan atau menentukan cara meletakkan pasukan anda menggunakan model pembelajaran mendalam. Anda boleh mengetahui bagaimana Seattle Seahawks menggunakan pembelajaran mendalam untuk memberitahu strategi permainan dan mempercepat pengambilan keputusan dalam artikel ini.

Dalam siaran ini, kami berkongsi contoh yang memikat pemain bola sepak pasukan kami. Kami menunjukkan model pengesanan keberatan yang mengenal pasti pemain dari gambar menggunakan model Single Shot Detector yang telah dilatih dari model DJL-zoo. Anda boleh menjalankan contoh ini di Linux dan macOS.

Untuk menggunakan DJL dengan projek aplikasi, buat projek gradle dengan IntelliJ IDEA dan tambahkan yang berikut ke konfigurasi build.gradle anda.

AWS

Catatan: kebergantungan runtime untuk MXNet berbeza untuk persekitaran Linux dan macOS. Rujuk  dokumentasi GitHub .

Kami menggunakan gambar bola sepak ini untuk pengesanan.

AWS

Kami menjalankan ramalan dengan blok kod yang dikongsi di bawah. Kod ini memuat Model SSD dari model-zoo, membuat  Predictor dari model, dan menggunakan  predict fungsi untuk mengenal pasti objek dalam gambar. Fungsi utiliti penolong kemudian meletakkan kotak pengikat di sekitar objek yang dikesan.

AWS

Kod ini mengenal pasti tiga pemain dalam gambar dan menyimpan hasilnya sebagai ssd.png dalam direktori yang berfungsi.

AWS

Kod dan perpustakaan ini dapat disesuaikan dengan mudah untuk menguji dan menjalankan model lain dari model-zoo. Tetapi keseronokan tidak berhenti di situ! Anda boleh menggunakan model menjawab soalan untuk melatih pembantu teks anda sendiri atau model klasifikasi gambar untuk mengenal pasti objek di rak runcit dan banyak lagi. Sila kunjungi repo Github kami untuk lebih banyak contoh.

Dalam catatan ini, kami memperkenalkan DJL, usaha rendah hati kami untuk menawarkan pengalaman pengembangan pembelajaran mendalam dan terkini kepada pengguna Java. Kami menunjukkan bagaimana DJL dapat mengesan objek dari gambar dalam beberapa minit dengan model kami yang telah dilatih. Kami memberikan banyak lagi contoh dan dokumentasi tambahan di repositori DJL GitHub.

Kami mengalu-alukan penyertaan masyarakat dalam perjalanan kami. Pergi ke repositori Github kami dan sertai saluran kendur kami untuk memulakan.