Προγραμματισμός

Εκτελέστε ένα μοντέλο βαθιάς μάθησης στην Java: Μια γρήγορη λήψη

Είμαστε στην ευχάριστη θέση να ανακοινώσουμε τη βιβλιοθήκη Deep Java (DJL), μια βιβλιοθήκη ανοιχτού κώδικα για την ανάπτυξη, την εκπαίδευση και τη λειτουργία μοντέλων βαθιάς μάθησης στην Java χρησιμοποιώντας διαισθητικά API υψηλού επιπέδου. Εάν είστε χρήστης Java που ενδιαφέρεται να μάθει τη βαθιά μάθηση, το DJL είναι ένας πολύ καλός τρόπος για να ξεκινήσετε να μαθαίνετε. Εάν είστε προγραμματιστής Java που εργάζεται με μοντέλα βαθιάς μάθησης, το DJL θα απλοποιήσει τον τρόπο εκπαίδευσης και εκτέλεσης προβλέψεων. Σε αυτήν την ανάρτηση, θα δείξουμε πώς να εκτελέσουμε μια πρόβλεψη με ένα προ-εκπαιδευμένο μοντέλο βαθιάς μάθησης σε λίγα λεπτά.

Πριν ξεκινήσουμε την κωδικοποίηση, θέλουμε να μοιραστούμε τα κίνητρά μας για τη δημιουργία αυτής της βιβλιοθήκης. Εξετάζοντας το τοπίο της βαθιάς μάθησης, βρήκαμε μια πληθώρα πόρων για χρήστες Python. Για παράδειγμα, το NumPy για ανάλυση δεδομένων. Matplotlib για απεικονίσεις. πλαίσια όπως MXNet, PyTorch, TensorFlow και πολλά άλλα. Υπάρχουν όμως πολύ λίγοι πόροι για χρήστες Java, παρόλο που είναι η πιο δημοφιλής γλώσσα στην επιχείρηση. Ξεκινήσαμε με στόχο να παρέχουμε εκατομμύρια χρήστες Java εργαλεία ανοιχτού κώδικα για να εκπαιδεύσουν και να εξυπηρετήσουν μοντέλα βαθιάς μάθησης σε μια γλώσσα με την οποία είναι ήδη εξοικειωμένοι.

Το DJL έχει δημιουργηθεί με εγγενείς έννοιες Java πάνω από τα υπάρχοντα πλαίσια βαθιάς μάθησης. Προσφέρει στους χρήστες πρόσβαση στις τελευταίες καινοτομίες στη βαθιά μάθηση και την ικανότητα να εργάζονται με προηγμένο υλικό. Τα απλά API αφαιρούν την πολυπλοκότητα που συνεπάγεται η ανάπτυξη μοντέλων βαθιάς μάθησης, καθιστώντας τα εύκολα μαθήματα και εύκολο στην εφαρμογή. Με το ομαδοποιημένο σετ προ-εκπαιδευμένων μοντέλων στο μοντέλο-ζωολογικός κήπος, οι χρήστες μπορούν αμέσως να αρχίσουν να ενσωματώνουν τη βαθιά μάθηση στις εφαρμογές τους Java.

AWS

* Άλλα πλαίσια προς το παρόν δεν υποστηρίζονται.

Η βαθιά μάθηση διεισδύει στην επιχείρηση σε διάφορες περιπτώσεις χρήσης. Στο λιανικό εμπόριο, χρησιμοποιείται για την πρόβλεψη της ζήτησης των πελατών και την ανάλυση των αλληλεπιδράσεων των πελατών με τα chatbots. Στην αυτοκινητοβιομηχανία, χρησιμοποιείται για την πλοήγηση αυτόνομων οχημάτων και την εύρεση ποιοτικών ελαττωμάτων στην κατασκευή. Και στον αθλητικό κλάδο, αλλάζει τον τρόπο με τον οποίο παίζεται το παιχνίδι με γνώσεις προπόνησης και κατάρτισης σε πραγματικό χρόνο. Φανταστείτε ότι μπορείτε να μοντελοποιήσετε τις κινήσεις των αντιπάλων σας ή να καθορίσετε πώς να τοποθετήσετε την ομάδα σας χρησιμοποιώντας μοντέλα βαθιάς μάθησης. Μπορείτε να μάθετε πώς το Seattle Seahawks χρησιμοποιεί βαθιά μάθηση για να ενημερώσει τη στρατηγική του παιχνιδιού και να επιταχύνει τη λήψη αποφάσεων σε αυτό το άρθρο.

Σε αυτήν την ανάρτηση, μοιραζόμαστε ένα παράδειγμα που χτύπησε τη χορδή με τους οπαδούς ποδοσφαίρου στην ομάδα μας. Δείχνουμε ένα μοντέλο ανίχνευσης αντιρρήσεων που προσδιορίζει τους παίκτες από μια εικόνα χρησιμοποιώντας ένα προ-εκπαιδευμένο μοντέλο Single Shot Detector από το DJL μοντέλο-ζωολογικό κήπο. Μπορείτε να εκτελέσετε αυτό το παράδειγμα σε Linux και macOS.

Για να χρησιμοποιήσετε το DJL με ένα έργο εφαρμογής, δημιουργήστε ένα έργο gradle με το IntelliJ IDEA και προσθέστε τα ακόλουθα στη διαμόρφωση build.gradle.

AWS

Σημείωση: οι εξαρτήσεις χρόνου εκτέλεσης για το MXNet είναι διαφορετικές για περιβάλλοντα Linux και macOS. Αναφέρομαι στοΤεκμηρίωση GitHub.

Χρησιμοποιούμε αυτήν την εικόνα ποδοσφαίρου για ανίχνευση.

AWS

Εκτελούμε πρόβλεψη με το μπλοκ κώδικα που κοινοποιείται παρακάτω. Αυτός ο κωδικός φορτώνει ένα μοντέλο SSD από το μοντέλο-ζωολογικός κήπος, δημιουργεί έναΠροφήτης από το μοντέλο και χρησιμοποιεί τοπρολέγω λειτουργία για την αναγνώριση των αντικειμένων στην εικόνα. Στη συνέχεια, μια λειτουργία βοηθητικού βοηθητικού προγράμματος οριοθετεί κουτιά γύρω από τα αντικείμενα που εντοπίστηκαν.

AWS

Αυτός ο κωδικός προσδιορίζει τις τρεις συσκευές αναπαραγωγής στην εικόνα και αποθηκεύει το αποτέλεσμα ως ssd.png στον κατάλογο εργασίας.

AWS

Αυτός ο κωδικός και η βιβλιοθήκη μπορούν εύκολα να προσαρμοστούν για να δοκιμάσουν και να εκτελέσουν άλλα μοντέλα από το μοντέλο-ζωολογικό κήπο. Αλλά η διασκέδαση δεν σταματά εκεί! Μπορείτε να χρησιμοποιήσετε το μοντέλο απάντησης ερωτήσεων για να εκπαιδεύσετε τον δικό σας βοηθό κειμένου ή το μοντέλο ταξινόμησης εικόνων για να εντοπίσετε αντικείμενα στο ράφι παντοπωλείων και πολλά άλλα. Επισκεφτείτε το repo Github για περισσότερα παραδείγματα.

Σε αυτήν την ανάρτηση, παρουσιάσαμε το DJL, την ταπεινή μας προσπάθεια να προσφέρουμε στους χρήστες της Java την πιο πρόσφατη και μεγαλύτερη εμπειρία βαθιάς μάθησης. Δείξαμε πώς το DJL μπορεί να ανιχνεύσει αντικείμενα από εικόνες μέσα σε λίγα λεπτά με το προ-εκπαιδευμένο μοντέλο μας. Παρέχουμε πολλά ακόμη παραδείγματα και πρόσθετη τεκμηρίωση στο αποθετήριο DJL GitHub.

Χαιρετίζουμε τη συμμετοχή της κοινότητας στο ταξίδι μας. Μεταβείτε στο αποθετήριο Github και εγγραφείτε στο χαλαρό κανάλι μας για να ξεκινήσετε.