Хотите запачкать руки машинным обучением/Глубоким обучением, но у вас есть опыт работы с Java и вы не знаете, с чего начать? Тогда читайте дальше, этот пост посвящен использованию существующего набора навыков Java и ускорению вашего пути, чтобы начать создавать модели глубокого обучения.
Что такое DJL?
DJL – это библиотека с открытым исходным кодом для создания и развертывания глубокого обучения на Java. DJL создан AWS и имеет открытый исходный код.
DJL предоставляет собственный опыт разработки на Java и функционирует так же, как любая другая обычная библиотека Java, а также ускоряет процесс машинного обучения и глубокого обучения. Разработчики могут использовать свою существующую среду IDE (Eclipse/IntelliJ) для создания, обучения и развертывания моделей, а DJL упрощает интеграцию этих моделей с приложениями Java.
Простые API-интерфейсы абстрагируются от сложности, связанной с разработкой моделей глубокого обучения. С помощью встроенного набора предварительно обученных моделей от Model Zoom пользователи могут немедленно приступить к интеграции глубокого обучения в свои Java-приложения.
DJL не зависит от движка и соответствует фундаментальному принципу Java “Пиши один раз, запускай где угодно”. Разработчик может разработать модель с помощью DJI и запустить ее на движке по вашему выбору – Vmxnet, Pytorch, TensorFlow.
Пример DJL для обнаружения объектов
Обнаружение объектов – это метод компьютерного зрения для определения местоположения объектов на изображениях или видео.
В этом примере мы узнаем, как реализовать код вывода с помощью модели ModelZoo для обнаружения собак на изображении. Исходный код для этой модели доступен здесь .
Локальная настройка программного обеспечения
- Установите JDK 8 (у DJL есть некоторые известные проблемы с JDK 11)
- Установите IntelliJ idea
- Импорт проекта DJL с помощью IntelliJ
Обратитесь к более подробной информации, связанной с настройкой здесь .
Для исходного кода Java для ObjectDetection.класс java, который использует DJI, можно найти здесь .
Запустите пример обнаружения объекта:
- Входное изображение используется, как показано ниже.
- Создайте проект и запустите Используйте следующую команду для запуска проекта:
- Выходные данные должны выглядеть следующим образом:
Выходное изображение с ограничительной рамкой будет сохранено как build/output/detected-dog_bike_car.png:
Вывод
В среде глубокого обучения существует множество ресурсов для пользователей Python, таких как NumPy для анализа данных или такие фреймворки, как MXNet, TensorFlow. Но, очень мало источников для Java. Благодаря команде AWS DJL предоставляет инструменты с открытым исходным кодом для обучения и обслуживания моделей глубокого обучения на Java, а также упрощает начало процесса глубокого обучения.
Наслаждайтесь созданием приложений для машинного обучения с помощью возможностей DJL!
Пожалуйста, ставьте лайки, делитесь и комментируйте свои взгляды/мнения.
Отказ от ответственности – Этот пост является моим личным мнением и не отражает мнения ни одного из моих прошлых, настоящих или будущих работодателей или аффилированных лиц.
Оригинал: “https://dev.to/dhruvesh_patel/djl-deep-java-library-2o40”