Programmēšana

Palaidiet dziļu mācību modeli Java: Ātra uzņemšana

Mēs priecājamies paziņot par Deep Java Library (DJL), kas ir atvērtā koda bibliotēka, lai izstrādātu, apmācītu un palaistu dziļu mācību modeļus Java, izmantojot intuitīvas, augsta līmeņa API. Ja esat Java lietotājs, kurš vēlas apgūt dziļu mācīšanos, DJL ir lielisks veids, kā sākt mācīties. Ja esat Java izstrādātājs un strādājat ar dziļu mācību modeļiem, DJL vienkāršos apmācību un prognožu vadīšanu. Šajā amatā mēs parādīsim, kā dažās minūtēs izpildīt prognozi ar iepriekš apmācītu dziļas mācīšanās modeli.

Pirms sākam kodēt, mēs vēlamies dalīties motivācijā veidot šo bibliotēku. Apsekojot dziļo mācību ainavu, mēs atradām daudz resursu Python lietotājiem. Piemēram, NumPy datu analīzei; Matplotlib vizualizācijām; tādus ietvarus kā MXNet, PyTorch, TensorFlow un daudz ko citu. Bet Java lietotājiem ir ļoti maz resursu, kaut arī tā ir vispopulārākā valoda uzņēmumā. Mēs izvirzījām mērķi nodrošināt miljoniem Java lietotāju atvērtā pirmkoda rīkus, lai apmācītu un apkalpotu dziļas mācīšanās modeļus viņiem jau pazīstamā valodā.

DJL ir veidots ar vietējām Java koncepcijām, papildus esošajām dziļo mācību sistēmām. Tas lietotājiem piedāvā piekļuvi jaunākajām dziļās mācīšanās inovācijām un spēju strādāt ar vismodernāko aparatūru. Vienkāršās saskarnes attīra sarežģītību, kas saistīta ar dziļu mācību modeļu izstrādi, padarot tos viegli iemācāmus un viegli pielietojamus. Izmantojot iepriekš sagatavoto modeļu zooloģisko dārzu komplektāciju, lietotāji var nekavējoties sākt integrēt dziļu mācīšanos savās Java lietojumprogrammās.

AWS

* Citi ietvari pašlaik netiek atbalstīti.

Dziļa mācīšanās iekļūst uzņēmumā dažādos lietošanas gadījumos. Mazumtirdzniecībā to izmanto, lai prognozētu klientu pieprasījumu un analizētu klientu mijiedarbību ar tērzēšanas robotiem. Automobiļu rūpniecībā to izmanto, lai pārvietotos pa autonomiem transportlīdzekļiem un atrastu kvalitātes defektus ražošanā. Sporta nozarē tas maina spēles veidu, izmantojot reāllaika treneru un treniņu ieskatus. Iedomājieties, kā jūs varat modelēt pretinieku kustības vai noteikt, kā pozicionēt komandu, izmantojot dziļu mācību modeļus. Par to, kā Sietlas Seahawks izmanto dziļu mācīšanos, lai informētu spēles stratēģiju un paātrinātu lēmumu pieņemšanu, varat uzzināt šajā rakstā.

Šajā ierakstā mēs dalāmies ar piemēru, kas skāra akordu ar mūsu komandas futbola faniem. Mēs demonstrējam iebildumu noteikšanas modeli, kas identificē spēlētājus no attēla, izmantojot iepriekš apmācītu vienreizējo kadru detektora modeli no DJL modeļa-zooloģiskā dārza. Šo piemēru var palaist gan Linux, gan macOS.

Lai izmantotu DJL kopā ar lietojumprogrammas projektu, izveidojiet pakāpiena projektu ar IntelliJ IDEA un pievienojiet šo build.gradle konfigurācijai.

AWS

Piezīme. MXNet izpildlaika atkarības ir atšķirīgas Linux un macOS vidēs. SkatietGitHub dokumentācija.

Mēs izmantojam šo futbola attēlu noteikšanai.

AWS

Mēs veicam prognozēšanu ar kodu kopu, kas ir kopīgots zemāk. Šis kods ielādē SSD modeli no modeļa-zooloģiskā dārza, izveido aPareģotājs no modeļa un izmantoparedzēt funkcija, lai identificētu objektus attēlā. Palīgierīces funkcija pēc konstatētajiem objektiem izvieto norobežojošās rūtiņas.

AWS

Šis kods identificē trīs spēlētājus attēlā un saglabā rezultātu kā ssd.png darba direktorijā.

AWS

Šo kodu un bibliotēku var viegli pielāgot, lai pārbaudītu un palaistu citus modeļus no zoodārza modeļiem. Bet jautrība neapstājas tur! Jūs varat izmantot jautājumu atbildēšanas modeli, lai apmācītu savu teksta palīgu, vai attēlu klasifikācijas modeli, lai identificētu objektus pārtikas preču plauktā un daudz ko citu. Lūdzu, apmeklējiet mūsu Github repo, lai iegūtu vairāk piemēru.

Šajā amatā mēs iepazīstinājām ar DJL, mūsu pazemīgajiem centieniem piedāvāt Java lietotājiem jaunāko un lielāko dziļas mācīšanās attīstības pieredzi. Mēs ar mūsu iepriekš apmācīto modeli parādījām, kā DJL dažu minūšu laikā var noteikt objektus no attēliem. Mēs sniedzam daudz vairāk piemēru un papildu dokumentāciju DJL GitHub krātuvē.

Mēs atzinīgi vērtējam sabiedrības dalību mūsu ceļojumā. Dodieties uz mūsu Github repozitoriju un pievienojieties mūsu atslābinātajam kanālam, lai sāktu darbu.

 

 

$config[zx-auto] not found$config[zx-overlay] not found