Programavimas

Paleiskite „Java“ gilaus mokymosi modelį: greitas pasirinkimas

Džiaugiamės galėdami pranešti apie „Deep Java Library“ (DJL), atviro kodo biblioteką, skirtą kurti, mokyti ir vykdyti giliųjų mokymosi modelius „Java“ sistemoje, naudojant intuityvias, aukšto lygio API. Jei esate „Java“ vartotojas, norintis išmokti gilaus mokymosi, DJL yra puikus būdas pradėti mokytis. Jei esate „Java“ kūrėjas, dirbantis su giluminio mokymosi modeliais, DJL supaprastins jūsų mokymą ir prognozių vykdymą. Šiame įraše parodysime, kaip per kelias minutes atlikti prognozavimą naudojant iš anksto parengtą giluminio mokymosi modelį.

Prieš pradėdami koduoti, norime pasidalinti savo motyvais kurti šią biblioteką. Tyrinėdami giluminio mokymosi kraštovaizdį, radome daugybę Python vartotojams skirtų išteklių. Pavyzdžiui, „NumPy“ duomenų analizei; Matplotlib vizualizacijoms; tokias sistemas kaip „MXNet“, „PyTorch“, „TensorFlow“ ir daug daugiau. Tačiau „Java“ vartotojams yra labai mažai išteklių, nors tai yra populiariausia kalba įmonėje. Mes užsibrėžėme tikslą suteikti milijonams „Java“ vartotojų atvirojo kodo įrankių mokyti ir aptarnauti giluminio mokymosi modelius jiems jau pažįstama kalba.

DJL yra sukurtas su vietinėmis „Java“ koncepcijomis, papildančiomis esamas gilaus mokymosi sistemas. Tai suteikia vartotojams galimybę naudotis naujausiomis gilaus mokymosi naujovėmis ir galimybę dirbti su pažangiausia aparatine įranga. Paprastos API pašalina sudėtingumą, susijusį su gilaus mokymosi modelių kūrimu, todėl juos lengva išmokti ir pritaikyti. Naudodami iš anksto parengtų modelių rinkinį zoologijos sode, vartotojai gali nedelsdami pradėti integruoti gilųjį mokymąsi į savo „Java“ programas.

AWS

* Kitos sistemos šiuo metu nepalaikomos.

Gilus mokymasis skverbiasi į verslą įvairiais naudojimo atvejais. Mažmeninėje prekyboje jis naudojamas klientų poreikių prognozavimui ir klientų sąveikos su pokalbių robotais analizavimui. Automobilių pramonėje jis naudojamas navigacijai autonominėse transporto priemonėse ir gamybos kokybės trūkumų nustatymui. Ir sporto industrijoje tai keičia žaidimo būdą, naudojant realaus laiko trenerių ir treniruočių įžvalgas. Įsivaizduokite, kad galite modeliuoti savo oponentų judesius arba nustatyti, kaip pozicionuoti komandą, naudodami gilaus mokymosi modelius. Apie tai, kaip Sietlo „Seahawks“ naudoja gilų mokymąsi, kad sužinotų apie žaidimo strategiją ir paspartintų sprendimų priėmimą, galite sužinoti šiame straipsnyje.

Šiame įraše dalinamės pavyzdžiu, kuris užgriuvo mūsų komandos futbolo gerbėjus. Mes demonstruojame prieštaravimų aptikimo modelį, kuris atpažįsta žaidėjus iš vaizdo, naudodamas iš anksto apmokytą vieno kadro detektoriaus modelį iš DJL modelio-zoologijos sodo. Šį pavyzdį galite paleisti tiek „Linux“, tiek „MacOS“.

Norėdami naudoti DJL su programos projektu, sukurkite „gradle“ projektą naudodami „IntelliJ IDEA“ ir pridėkite šiuos elementus prie „build.gradle“ konfigūracijos.

AWS

Pastaba: „MXNet“ vykdymo laikas priklauso nuo „Linux“ ir „MacOS“ aplinkų. Žr„GitHub“ dokumentacija.

Mes naudojame šį futbolo vaizdą aptikti.

AWS

Prognozavimą vykdome naudodamiesi toliau pateiktu kodų bloku. Šis kodas įkelia SSD modelį iš modelio-zoologijos sodo, sukuriaPrognozuotojas iš modelio ir naudojanumatyti funkcija atpažinti atvaizdo objektus. Pagalbos pagalbininkų funkcija išdėsto ribojančius langelius aplink aptiktus objektus.

AWS

Šis kodas identifikuoja tris vaizdo žaidėjus ir išsaugo rezultatą kaip ssd.png darbo kataloge.

AWS

Šį kodą ir biblioteką galima lengvai pritaikyti norint išbandyti ir paleisti kitus modelius iš zoologijos sodo. Tačiau linksmybės tuo nesibaigia! Atsakymo į klausimą modelį galite naudoti mokydami savo teksto asistentą arba vaizdo klasifikavimo modelį, kad nustatytumėte daiktus maisto prekių lentynoje ir dar daugiau. Norėdami pamatyti daugiau pavyzdžių, apsilankykite mūsų „Github“ repo.

Šiame įraše pristatėme DJL, mūsų nuolankias pastangas pasiūlyti „Java“ vartotojams naujausią ir geriausią gilaus mokymosi tobulinimo patirtį. Mes demonstravome, kaip DJL iš anksto apmokytu modeliu per kelias minutes gali aptikti objektus iš vaizdų. „DJL GitHub“ saugykloje pateikiame dar daug pavyzdžių ir papildomos dokumentacijos.

Mes sveikiname bendruomenės dalyvavimą mūsų kelionėje. Eikite į mūsų „Github“ saugyklą ir prisijunkite prie mūsų kanalo, kad galėtumėte pradėti.