Programiranje

Zaženite model globokega učenja v Javi: hiter prevzem

Z veseljem predstavljamo Deep Java Library (DJL), odprtokodno knjižnico za razvoj, usposabljanje in izvajanje modelov globokega učenja v Javi z uporabo intuitivnih API-jev na visoki ravni. Če ste uporabnik Jave, ki ga zanima globoko učenje, je DJL odličen način za začetek učenja. Če ste razvijalec Java, ki dela z modeli globokega učenja, bo DJL poenostavil način vadbe in izvajanja napovedi. V tej objavi bomo pokazali, kako v nekaj minutah izvesti napoved s predhodno izurjenim modelom globokega učenja.

Preden začnemo s šifriranjem, želimo deliti svojo motivacijo za izdelavo te knjižnice. Pri raziskovanju globoke učne pokrajine smo našli obilo virov za uporabnike Pythona. Na primer NumPy za analizo podatkov; Matplotlib za vizualizacije; okviri, kot so MXNet, PyTorch, TensorFlow in mnogi drugi. Toda za uporabnike Jave je zelo malo virov, čeprav je to najbolj priljubljen jezik v podjetju. Cilj je bil zagotoviti milijonom uporabnikom Jave odprtokodnih orodij za usposabljanje in poglobljeno učenje modelov v jeziku, ki ga že poznajo.

DJL je zgrajen z domačimi koncepti Java na vrhu obstoječih okvirov za poglobljeno učenje. Uporabnikom ponuja dostop do najnovejših inovacij na področju globokega učenja in zmožnost dela z vrhunsko strojno opremo. Preprosti API-ji odstranijo zapletenost pri razvoju modelov globokega učenja, zaradi česar so enostavni za učenje in enostavni za uporabo. Z vnaprej pripravljenim modelom v model-zoo lahko uporabniki začnejo globoko učenje vključevati v svoje Java programe.

AWS

* Drugi okviri trenutno niso podprti.

Poglobljeno učenje prodre v podjetje skozi različne primere uporabe. V maloprodaji se uporablja za napovedovanje povpraševanja strank in analizo interakcij strank s klepetalnicami. V avtomobilski industriji se uporablja za navigacijo avtonomnih vozil in iskanje kakovostnih napak v proizvodnji. In v športni industriji spreminja način igranja z vpogledi v treniranje in treninge v realnem času. Predstavljajte si, da bi lahko modelirali nasprotnikove poteze ali z uporabo modelov globokega učenja določili, kako postaviti svojo ekipo. V tem članku lahko izveste, kako Seattle Seahawks uporablja globoko učenje za informiranje o strategijah igre in pospešitev odločanja.

V tem prispevku delimo primer, ki je zbudil nogometne navijače v naši ekipi. Predstavljamo model zaznavanja ugovorov, ki identificira igralce na sliki s pomočjo predhodno usposobljenega modela Single Shot Detector iz DJL model-zoo. Ta primer lahko zaženete v Linuxu in macOS.

Če želite uporabiti DJL s projektnim projektom, ustvarite gradle projekt z IntelliJ IDEA in dodajte naslednje v svojo konfiguracijo build.gradle.

AWS

Opomba: odvisnosti med izvajanjem za MXNet se v okoljih Linux in macOS razlikujejo. GlejteDokumentacija GitHub.

To nogometno sliko uporabljamo za zaznavanje.

AWS

Predvidevanje izvajamo s spodnjim blokom kode. Ta koda naloži model SSD iz model-zoo, ustvariNapovednik iz modela in uporabljanapovedovati funkcija za prepoznavanje predmetov na sliki. Nato pomožna funkcija pripomočkov postavi omejena polja okoli zaznanih predmetov.

AWS

Ta koda identificira tri igralce na sliki in shrani rezultat kot ssd.png v delovni imenik.

AWS

To kodo in knjižnico je mogoče enostavno prilagoditi za preizkušanje in zagon drugih modelov iz modela-zoo. A zabava se pri tem ne ustavi! Z modelom odgovarjanja na vprašanja lahko uporabite lastnega besedilnega asistenta ali modelom za razvrščanje slik za prepoznavanje predmetov na polici z živili in še veliko več. Za več primerov obiščite našo repo zbirko Github.

V tej objavi smo predstavili DJL, naš skromen trud, da uporabnikom Jave ponudimo najnovejšo in največjo izkušnjo razvoja globokega učenja. Z našim predhodno izurjenim modelom smo pokazali, kako lahko DJL v nekaj minutah zazna predmete s slik. O skladišču DJL GitHub ponujamo še veliko primerov in dodatno dokumentacijo.

Pozdravljamo sodelovanje skupnosti na našem potovanju. Pojdite do našega skladišča Github in se za začetek pridružite našemu ohlapnemu kanalu.

 

 

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