הפעל מודל למידה עמוקה בג'אווה: מהיר

אנו שמחים להכריז על ספריית Deep Java (DJL), ספריית קוד פתוח לפיתוח, הכשרה והפעלת מודלים של למידה עמוקה בג'אווה באמצעות ממשקי API אינטואיטיביים ברמה גבוהה. אם אתה משתמש בג'אווה שמעוניין ללמוד למידה עמוקה, DJL היא דרך נהדרת להתחיל ללמוד. אם אתה מפתח Java שעובד עם מודלים של למידה עמוקה, DJL יפשט את הדרך בה אתה מאמן ומנהל תחזיות. בפוסט זה נראה כיצד להריץ חיזוי בעזרת מודל למידה עמוקה להכשרה תוך דקות.

לפני שנתחיל בקידוד, אנו רוצים לחלוק את המוטיבציה שלנו לבניית ספרייה זו. בסקר נופי הלמידה העמוקה מצאנו שפע של משאבים למשתמשי פייתון. למשל, NumPy לניתוח נתונים; Matplotlib להדמיה; מסגרות כגון MXNet, PyTorch, TensorFlow, ורבים אחרים. אך ישנם מעט מאוד משאבים עבור משתמשי Java, למרות שזו השפה הפופולרית ביותר בארגון. יצאנו למטרה לספק למיליוני משתמשי Java כלים פתוחים להכשרה ולהגיש מודלים של למידה עמוקה בשפה שהם כבר מכירים.

DJL בנוי עם מושגי Java מקוריים על גבי מסגרות למידה עמוקה קיימות. זה מציע למשתמשים גישה לחידושים האחרונים בתחום הלמידה העמוקה ויכולת לעבוד עם חומרה חדשנית. ממשקי ה- API הפשוטים מבטאים את המורכבות הכרוכה בפיתוח מודלים של למידה עמוקה, מה שהופך אותם לקלים ללמוד וקלים ליישום. עם הסט המצורף של דגמים שהוכשרו מראש בגן ​​חיות, משתמשים יכולים להתחיל מיד לשלב למידה עמוקה ביישומי Java שלהם.

AWS

* מסגרות אחרות כרגע אינן נתמכות.

למידה עמוקה חודרת לארגון במגוון מקרי שימוש. בקמעונאות הוא משמש לחיזוי דרישת הלקוח ולניתוח האינטראקציות עם הלקוחות עם צ'אט-בוטים. בתעשיית הרכב הוא משמש לניווט ברכבים אוטונומיים ולמצוא פגמים באיכות בייצור. ובתעשיית הספורט זה משנה את אופן המשחק במשחק בעזרת תובנות אימון ואימונים בזמן אמת. תאר לעצמך שאתה יכול לדגמן מהלכים של היריבים שלך או לקבוע כיצד למצב את הצוות שלך באמצעות מודלים של למידה עמוקה. תוכלו ללמוד על האופן שבו סיאטל סיהוקס משתמשת בלמידה עמוקה בכדי ליידע את אסטרטגיית המשחק ולהאיץ את קבלת ההחלטות במאמר זה.

בפוסט זה אנו חולקים דוגמה שהכתה את חובבי הכדורגל בקבוצה שלנו. אנו מדגימים מודל לזיהוי התנגדות המזהה נגנים מתמונה באמצעות מודל גלאי יריות יחיד שהוכשר מראש מגן החיות DJL. אתה יכול להפעיל דוגמה זו גם בלינוקס וגם ב- macOS.

כדי להשתמש ב- DJL עם פרויקט יישום, צור פרויקט דרגה עם IntelliJ IDEA והוסף את הדברים הבאים לתצורת build.gradle שלך.

AWS

הערה: תלות זמן הריצה עבור MXNet שונות בסביבות לינוקס ו- macOS. עיין בתיעוד של  GitHub .

אנו משתמשים בתמונת כדורגל זו לזיהוי.

AWS

אנו מריצים חיזוי עם בלוק הקוד המשותף למטה. קוד זה טוען מודל SSD מגן החיות, יוצר  Predictor מודל ומשתמש  predict בפונקציה כדי לזהות את האובייקטים בתמונה. פונקציית כלי עזר מעמידה אז תיבות תוחמות סביב האובייקטים שזוהו.

AWS

קוד זה מזהה את שלושת הנגנים בתמונה ושומר את התוצאה כ- ssd.png בספריית העבודה.

AWS

ניתן להתאים את הקוד והספרייה בקלות לבדיקה ולהפעלת דגמים אחרים ממודל-גן החיות. אבל הכיף לא נעצר שם! אתה יכול להשתמש במודל מענה לשאלה כדי להכשיר עוזר טקסט משלך או במודל סיווג התמונות לזיהוי אובייקטים על מדף המכולת ועוד רבים אחרים. אנא היכנס לרפו של Github לקבלת דוגמאות נוספות.

בפוסט זה, הצגנו את DJL, המאמץ הצנוע שלנו להציע למשתמשי ג'אווה את חוויית פיתוח הלמידה העמוקה האחרונה והגדולה ביותר. הדגמנו כיצד DJL יכול לזהות עצמים מתמונות תוך דקות בעזרת המודל שהוכשר מראש. אנו מספקים דוגמאות רבות נוספות ותיעוד נוסף במאגר DJL GitHub.

אנו מברכים על השתתפות הקהילה במסע שלנו. עבור אל מאגר Github שלנו והצטרף לערוץ הרפוי שלנו כדי להתחיל.