完全基于 Java 的开源深度学习平台，亚马逊的大佬带你上手

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

本文适合有 Java 基础的人群

作者：DJL-Lanking

HelloGitHub 推出的《讲解开源项目》系列。有幸邀请到了亚马逊 + Apache 的工程师：Lanking（ https://github.com/lanking520 ），为我们讲解 DJL —— 完全由 Java 构建的深度学习平台。

介绍

许多年以来，一直都没有为 Java 量身定制的深度学习开发平台。用户必须要进行繁杂的项目配置，构建 class 才能最终打造出属于 Java 的深度学习应用。在那之后，依旧要面临着依赖项匹配维护等各种麻烦的问题。为了解决这个这个痛点，亚马逊开源了 Deep Java Library (DJL)

项目地址：https://github.com/awslabs/djl/
官网：https://djl.ai/

一个完全使用 Java 构建的深度学习平台。DJL 的开发者们也为它量身定制了各种有意思的运行环境，用户只需要少量配置，甚至直接在线就可以在 Java 上运行深度学习应用。

为了简化 Java 开发人员在深度学习上的痛点，我们推出了 DJL 未来实验室计划：致力于打造一个极简的 Java 运行环境，创造属于 Java 自己的深度学习工具箱。你可以轻松在线使用，或者离线使用它们来构建你的深度学习应用。我们的目标是，将深度学习更好的贴近 Java 开发者。

下面将介绍能够让你快速上手 DJL 的在线尝试地址或工具。

在线编译：Block Runner

在线尝试：https://djl.ai/website/demo.html

Block Runner 设计十分简单，它可以直接帮助你在线编译 Java 深度学习代码。如上所示，你只需点击 Run 就可以执行这些代码。我们提供了多种深度学习引擎供你选择。你可以轻松的在上面完成简单的深度学习运算以及推理任务。当你在构建完成之后，直接点击 Get Template 就可以获得一份直接在本地就能运行的 gradle 项目。所有的环境都已经配置好了，用编辑器打开就可以跑简单举一个例子，如下是使用 Apache MXNet 模型构建的一份图片分类应用代码，你可以直接复制到在线编辑器：

import ai.djl.inference.*; import ai.djl.modality.*; import ai.djl.modality.cv.*; import ai.djl.modality.cv.transform.*; import ai.djl.modality.cv.translator.*; import ai.djl.repository.zoo.*; import ai.djl.translate.*;String modelUrl = "https://alpha-djl-demos.s3.amazonaws.com/model/djl-blockrunner/mxnet_resnet18.zip?model_name=resnet18_v1"; Criteria<Image, Classifications> criteria = Criteria.builder() .setTypes(Image.class, Classifications.class) .optModelUrls(modelUrl) .optTranslator(ImageClassificationTranslator.builder() .addTransform(new Resize(224, 224)) .addTransform(new ToTensor()) .optApplySoftmax(true).build()) .build(); ZooModel<Image, Classifications> model = ModelZoo.loadModel(criteria); Predictor<Image, Classifications> predictor = model.newPredictor(); String imageURL = "https://raw.githubusercontent.com/awslabs/djl/master/examples/src/test/resources/kitten.jpg"; Image image = ImageFactory.getInstance().fromUrl(imageURL); predictor.predict(image);

在运行后，你会获得如下结果：

[ class: "n02123045 tabby, tabby cat", probability: 0.41073 class: "n02124075 Egyptian cat", probability: 0.29393 class: "n02123159 tiger cat", probability: 0.19337 class: "n02123394 Persian cat", probability: 0.04586 class: "n02127052 lynx, catamount", probability: 0.00911 ]

最后，你可以直接点击 Get Template 在本地运行。是不是很简单！现在这个组建支持 Apache MXNet/PyTorch/TensorFlow 三个后端引擎，后续还会增加更多的支持。

实现层面上，我们使用了 CodeMirror 在线编辑器以及 SpringBoot 进行后端托管。想了解更多，欢迎参阅实现代码。

在线终端工具：JShell

在线尝试：https://djl.ai/website/demo.html#jshell

JShell 是一个 JShell 的改版，包含了 DJL 的特性。你可以直接集成已有的 Java 功能和 DJL 的 class 在线使用。我们为 JShell 提前准备了下面的引入:

import ai.djl.ndarray.NDManager; import ai.djl.ndarray.NDArray; import ai.djl.ndarray.types.Shape; import ai.djl.ndarray.index.NDIndex; NDManager manager = NDManager.newBaseManager();

后端是基于 SpringBoot 的 server 架构，前端使用了 xtermjs。

目前这个命令行支持如下操作:

backspace删除输入
<- 和 -> 移动光标
复制/粘贴代码功能
输入clear进行清屏操作

通过网页中提供的几种简单案例，你可以轻松使用 NDArray 来完成你所需要的功能。

想了解我们是如何构建这个 JShell 应用的，请看实现代码。

Java 版的 Jupyter Notebook

地址：https://github.com/awslabs/djl/tree/master/jupyter

什么？Jupyter Notebook？我们难道说的不是 Python？不！100% 纯 Java11。

通过 Spencer Park’s IJava 项目启发, 我们将 DJL 集成在了 Jupyter Notebook 里面。不需要繁杂的配置，直接启动就能用。我们准备了一系列使用 Jupyter Notebook 构建的 Java 深度学习训练以及推理应用 Notebook。想了解更多就点击这里吧。

Java 版本的 Notebook 可以基本实现所有 Jupyter 在 Python 上的特性：

支持每个代码块独立运行
展示一张图片
利用 Tablesaw 展示一个图表

相比于 Python，Java 的 Notebook 可以直接引入 Maven 的库，这样用户就无需担心项目配置等问题。同时这个 Notebook 也支持在 GPU 环境下运行，你可以轻松使用 Notebook 进行深度学习训练任务。

通过下面几个 Notebook 可以帮助你快速了解 DJL 的用法以及新特性：

使用 ModelZoo 进行目标检测
加载 PyTorch 预训练模型
加载 Apache MXNet 预训练模型
迁移学习案例
问答系统案例

P.S：我们甚至还准备了基于 Java 的深度学习书，现在还处于预览版阶段，敬请期待。

关于 DJL 以及未来实验室计划

DJL 还是一个很年轻的框架，2019 年底发布，2020 年 3 月才真正支持了所有主流的深度学习框架 (TensorFlow、PyTorch MXNet)。你可以轻松的使用 DJL 来训练以及部署你的深度学习模型。它也包含了 70 多种来自 GluonCV、HuggingFace、TorchHub 以及 Keras 的预训练模型。

关于未来实验室：我们仍旧还有很多功能处于开发阶段，需要大量小伙伴去参与并且体验我们的新功能。下面是几个正在进行中的项目：