Jalankan Model Pembelajaran Mendalam di Java: Pengambilan Cepat

Kami sangat senang mengumumkan Deep Java Library (DJL), perpustakaan open source untuk mengembangkan, melatih, dan menjalankan model deep learning di Java menggunakan API tingkat tinggi yang intuitif. Jika Anda adalah pengguna Java yang tertarik untuk mempelajari deep learning, DJL adalah cara terbaik untuk mulai belajar. Jika Anda seorang pengembang Java yang bekerja dengan model pembelajaran mendalam, DJL akan menyederhanakan cara Anda melatih dan menjalankan prediksi. Dalam posting ini, kami akan menunjukkan cara menjalankan prediksi dengan model deep learning terlatih dalam hitungan menit.

Sebelum memulai coding, kami ingin membagikan motivasi kami untuk membangun perpustakaan ini. Dalam mensurvei lanskap pembelajaran mendalam, kami menemukan banyak sumber daya untuk pengguna Python. Misalnya, NumPy untuk analisis data; Matplotlib untuk visualisasi; kerangka kerja seperti MXNet, PyTorch, TensorFlow, dan banyak lagi. Tetapi hanya ada sedikit sumber daya untuk pengguna Java, meskipun itu adalah bahasa paling populer di perusahaan. Kami berangkat dengan tujuan untuk menyediakan alat sumber terbuka bagi jutaan pengguna Java untuk melatih dan menyajikan model pembelajaran mendalam dalam bahasa yang sudah mereka kenal.

DJL dibangun dengan konsep Java asli di atas kerangka kerja pembelajaran mendalam yang ada. Ini menawarkan pengguna akses ke inovasi terbaru dalam pembelajaran mendalam dan kemampuan untuk bekerja dengan perangkat keras mutakhir. API sederhana memisahkan kerumitan yang terlibat dalam pengembangan model deep learning, membuatnya mudah dipelajari dan mudah diterapkan. Dengan kumpulan model yang telah dilatih sebelumnya di model-zoo, pengguna dapat segera mulai mengintegrasikan pembelajaran mendalam ke dalam aplikasi Java mereka.

AWS

* Kerangka kerja lain saat ini tidak didukung.

Pembelajaran mendalam merambah ke perusahaan di berbagai kasus penggunaan. Di ritel, ini digunakan untuk memperkirakan permintaan pelanggan dan menganalisis interaksi pelanggan dengan chatbots. Dalam industri otomotif, ini digunakan untuk menavigasi kendaraan otonom dan menemukan cacat kualitas di bidang manufaktur. Dan dalam industri olahraga, ini mengubah cara permainan dimainkan dengan wawasan pelatihan dan pelatihan waktu nyata. Bayangkan bisa memodelkan gerakan lawan Anda atau menentukan bagaimana memposisikan tim Anda menggunakan model pembelajaran yang mendalam. Anda dapat mempelajari tentang bagaimana Seattle Seahawks menggunakan pembelajaran mendalam untuk menginformasikan strategi permainan dan mempercepat pengambilan keputusan di artikel ini.

Dalam posting ini, kami membagikan contoh yang menyentuh hati para penggemar sepak bola di tim kami. Kami mendemonstrasikan model deteksi keberatan yang mengidentifikasi pemain dari gambar menggunakan model Detektor Tembakan Tunggal terlatih dari kebun binatang model DJL. Anda dapat menjalankan contoh ini di Linux dan macOS.

Untuk menggunakan DJL dengan proyek aplikasi, buat proyek gradle dengan IntelliJ IDEA dan tambahkan berikut ini ke konfigurasi build.gradle Anda.

AWS

Catatan: dependensi runtime untuk MXNet berbeda untuk lingkungan Linux dan macOS. Lihat  dokumentasi GitHub .

Kami menggunakan gambar sepak bola ini untuk deteksi.

AWS

Kami menjalankan prediksi dengan blok kode yang dibagikan di bawah ini. Kode ini memuat Model SSD dari model-zoo, membuat  Predictor dari model, dan menggunakan  predict fungsi untuk mengidentifikasi objek dalam gambar. Fungsi utilitas pembantu kemudian mengatur kotak pembatas di sekitar objek yang terdeteksi.

AWS

Kode ini mengidentifikasi tiga pemain dalam gambar dan menyimpan hasilnya sebagai ssd.png di direktori kerja.

AWS

Kode dan pustaka ini dapat dengan mudah diadaptasi untuk menguji dan menjalankan model lain dari model-zoo. Tapi kesenangan tidak berhenti di situ! Anda dapat menggunakan model penjawab pertanyaan untuk melatih asisten teks Anda sendiri atau model klasifikasi gambar untuk mengidentifikasi objek di rak grosir dan banyak lagi. Silakan kunjungi repo Github kami untuk lebih banyak contoh.

Dalam posting ini, kami memperkenalkan DJL, upaya kami yang sederhana untuk menawarkan pengguna Java pengalaman pengembangan pembelajaran mendalam terbaru dan terhebat. Kami mendemonstrasikan bagaimana DJL dapat mendeteksi objek dari gambar dalam hitungan menit dengan model terlatih kami. Kami menyediakan lebih banyak contoh dan dokumentasi tambahan di repositori DJL GitHub.

Kami menyambut partisipasi komunitas dalam perjalanan kami. Buka repositori Github kami dan bergabunglah dengan saluran kendur kami untuk memulai.