S radostí oznamujeme knihovnu Deep Java Library (DJL), knihovnu open source pro vývoj, školení a provozování modelů hlubokého učení v Javě pomocí intuitivních rozhraní API na vysoké úrovni. Pokud jste uživatelem Java, který se zajímá o hluboké učení, je DJL skvělým způsobem, jak se začít učit. Pokud jste vývojář jazyka Java a pracujete s modely hlubokého učení, DJL zjednoduší způsob, jakým trénujete a spouštíte předpovědi. V tomto příspěvku si ukážeme, jak spustit predikci s předem trénovaným modelem hlubokého učení během několika minut.
Než začneme programovat, chceme se podělit o naši motivaci k budování této knihovny. Při průzkumu prostředí hlubokého učení jsme zjistili spoustu zdrojů pro uživatele Pythonu. Například NumPy pro analýzu dat; Matplotlib pro vizualizace; rámce jako MXNet, PyTorch, TensorFlow a mnoho dalších. Existuje však velmi málo zdrojů pro uživatele Java, i když je to nejoblíbenější jazyk v podnikání. Stanovili jsme si za cíl poskytnout milionům uživatelů prostředí Java nástroje open source pro školení a obsluhu modelů hlubokého učení v jazyce, který již znají.
DJL je postaven na nativních konceptech Java nad rámec existujících rámců hlubokého učení. Nabízí uživatelům přístup k nejnovějším inovacím v hloubkovém učení a schopnost pracovat s nejmodernějším hardwarem. Jednoduchá rozhraní API odstraňují složitost vývoje modelů hlubokého učení, takže se snadno učí a snadno se používají. Se sadou předem vyškolených modelů v modelové zoo mohou uživatelé okamžitě začít integrovat hluboké učení do svých aplikací Java.
AWS* Ostatní rámce aktuálně nejsou podporovány.
Hluboké učení proniká do podniku v různých případech použití. V maloobchodu se používá k předpovídání poptávky zákazníků a analýze interakcí zákazníků s chatboty. V automobilovém průmyslu se používá k navigaci v autonomních vozidlech a hledání kvalitativních vad ve výrobě. A ve sportovním průmyslu mění způsob, jakým se hra hraje, pomocí informací o koučování a tréninku v reálném čase. Představte si, že můžete modelovat tahy soupeřů nebo určit, jak umístit tým pomocí modelů hlubokého učení. O tom, jak Seattle Seahawks využívá hluboké učení k informování o herní strategii a urychlení rozhodování, se můžete dozvědět v tomto článku.
V tomto příspěvku sdílíme příklad, který udeřil na strunu fotbalovým fanouškům našeho týmu. Demonstrujeme model detekce námitek, který identifikuje hráče z obrazu pomocí předem vyškoleného modelu Single Shot Detector z modelové zoo DJL. Tento příklad můžete spustit v systému Linux i macOS.
Chcete-li použít DJL s projektem aplikace, vytvořte projekt gradle s IntelliJ IDEA a přidejte do své konfigurace build.gradle následující.
AWSPoznámka: Závislosti běhového prostředí pro MXNet se liší pro prostředí Linux a macOS. Odkazovat naDokumentace GitHub.
Tento fotbalový obrázek používáme k detekci.
AWSSpustíme předpověď s blokem kódu sdíleným níže. Tento kód načte model SSD z modelové zoo a vytvoříPrediktor z modelu a používápředpovědět funkce k identifikaci objektů v obraze. Funkce pomocného nástroje poté rozloží ohraničující rámečky kolem detekovaných objektů.
AWSTento kód identifikuje tři hráče v obraze a uloží výsledek jako ssd.png do pracovního adresáře.
AWSTento kód a knihovnu lze snadno přizpůsobit pro testování a spouštění dalších modelů z modelové zoo. Tím ale zábava nekončí! Můžete použít model odpovídání na otázky k trénování vlastního textového asistenta nebo modelu klasifikace obrázků k identifikaci objektů na poličce s potravinami a mnoha dalších. Další příklady najdete v našem repozitáři Github.
V tomto příspěvku jsme představili DJL, naši pokornou snahu nabídnout uživatelům Java nejnovější a největší zkušenosti s vývojem hlubokého učení. S naším předem vyškoleným modelem jsme demonstrovali, jak může DJL detekovat objekty z obrázků během několika minut. Poskytujeme mnoho dalších příkladů a další dokumentace k úložišti DJL GitHub.
Vítáme účast komunity na naší cestě. Přejděte do našeho úložiště Github a připojte se k našemu uvolněnému kanálu, abyste mohli začít.
