访问官网
Github
Huggingface
文档
论文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
-
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。
-
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。
-
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。
-
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。
