djl

DJL 项目介绍

Deep Java Library（简称 DJL）是一个开源的、高级的、与引擎无关的 Java 深度学习框架。它旨在为 Java 开发者提供一个易于上手且简单易用的深度学习开发环境。

设计理念

DJL 的设计理念是让 Java 开发者能够像使用普通 Java 库一样轻松地进行深度学习开发。它不要求使用者必须是机器学习或深度学习专家，而是让开发者可以利用现有的 Java 技能作为入门和使用机器学习的基础。

主要特点

1. 原生 Java 开发体验：DJL 提供了与普通 Java 库相似的使用体验，开发者可以使用熟悉的 IDE 来构建、训练和部署模型。

2. 引擎无关：DJL 支持多种深度学习引擎，开发者无需在项目初期就选定特定引擎，可以根据需要随时切换。

3. 自动硬件选择：DJL 能够根据硬件配置自动选择使用 CPU 或 GPU，以确保最佳性能。

4. 人体工程学 API 设计：DJL 的 API 接口设计旨在引导开发者遵循深度学习任务的最佳实践。

功能示例

DJL 支持两种主要的深度学习任务：推理和训练。

推理示例

以下是使用 DJL 进行图像分类推理的简化代码示例：

Criteria<Image, Classifications> criteria = Criteria.builder()
        .optApplication(Application.CV.OBJECT_DETECTION)
        .setTypes(Image.class, Classifications.class)
        .optFilter("backbone", "resnet50")
        .build();

Image img = ImageFactory.getInstance().fromUrl("http://...");
try (ZooModel<Image, Classifications> model = criteria.loadModel();
     Predictor<Image, Classifications> predictor = model.newPredictor()) {
    Classifications result = predictor.predict(img);
    // 处理分类结果和概率
}

训练示例

以下是使用 DJL 训练神经网络的简化代码示例：

Block block = new Mlp(28 * 28, 10, new int[] {128, 64});
Model model = Model.newInstance("mlp");
model.setBlock(block);

Dataset trainingSet = new Mnist.Builder().setUsage(Usage.TRAIN).build();
Dataset validateSet = new Mnist.Builder().setUsage(Usage.TEST).build();

TrainingConfig config = setupTrainingConfig();
Trainer trainer = model.newTrainer(config);
trainer.initialize(new Shape(1, 28 * 28));
EasyTrain.fit(trainer, epoch, trainingSet, validateSet);

model.save(modelDir, "mlp");

资源和社区

DJL 提供了丰富的学习资源，包括详细的文档、JavaDoc API 参考和专门的教程书籍。此外，DJL 还有活跃的社区支持，开发者可以通过 Slack 频道、Twitter 和知乎专栏等渠道与开发团队交流和讨论问题。

开源和许可

DJL 是一个开源项目，采用 Apache-2.0 许可证。开发者可以自由地使用、修改和分发 DJL，这为该框架的持续发展和改进提供了良好的基础。

总的来说，DJL 为 Java 开发者提供了一个强大、灵活且易用的深度学习开发平台，使得在 Java 生态系统中进行机器学习和深度学习变得更加简单和高效。