deeplearning4j examples
1.0.0
######## ## ## ##
## ## ## ## ## ##
## ## ## ## ## ##
**$** ## ## ## ## ## ## **$**
## ## ## ######### ## ##
## ## ## ## ## ##
######## ######## ## ######
. :::: : : : : : :::: : :::: ::::: :::: :::: ::::: .
. : : : : : :: :: : : : : : : : : : : : .
. : : : : : : : : : : : : : : : : : : : : .
. ::: : : : : : : :::: : ::: ::::: ::: :::: : : .
. : : : ::::: : : : : : : : : : : : .
. : : : : : : : : : : : : : : : : .
. :::: : : : : : : : ::::: :::: : : :::: : ::::: .
Für Unterstützung gehen Sie bitte zu: https://community.konduit.ai
Wir überwachen die Github-Probleme dieses Repositorys nicht sehr oft.
Das Eclipse Deeplearning4J (DL4J)-Ökosystem besteht aus einer Reihe von Projekten, die alle Anforderungen einer JVM-basierten Deep-Learning-Anwendung unterstützen sollen. Das bedeutet, dass man mit den Rohdaten beginnt, diese lädt und vorverarbeitet, egal wo und in welchem Format sie vorliegen, bis hin zum Aufbau und der Optimierung einer Vielzahl einfacher und komplexer Deep-Learning-Netzwerke.
Der DL4J-Stack besteht aus:
Alle Projekte im DL4J-Ökosystem unterstützen Windows, Linux und macOS. Die Hardwareunterstützung umfasst CUDA-GPUs (10.0, 10.1, 10.2 außer OSX), x86-CPU (x86_64, avx2, avx512), ARM-CPU (arm, arm64, armhf) und PowerPC (ppc64le).
Dieses Beispiel-Repo besteht aus mehreren separaten Maven-Java-Projekten, jedes mit seinen eigenen POM-Dateien. Maven ist ein beliebtes Build-Automatisierungstool für Java-Projekte. Der Inhalt einer „pom.xml“-Datei bestimmt die Konfigurationen. Lesen Sie hier mehr über die Konfiguration von Maven.
Benutzer können auch auf das bereitgestellte einfache Beispielprojekt zurückgreifen, um mit einem sauberen Projekt von Grund auf zu beginnen.
Build-Tools gelten als Standard-Best Practice für die Softwareentwicklung. Darüber hinaus macht die Komplexität der Projekte im DL4J-Ökosystem die manuelle Verwaltung von Abhängigkeiten zu schwierig. Alle Projekte im DL4J-Ökosystem können mit anderen Build-Tools wie Gradle, SBT usw. verwendet werden. Weitere Informationen dazu finden Sie hier.
Wenn Sie Hilfe zu den Beispielen benötigen, besuchen Sie bitte unser Support-Forum
Hinweis für Benutzer von 1.0.0-beta7 und früher: Einige Beispiele und Module wurden entfernt, um Änderungen in der Richtung des Frameworks widerzuspiegeln. Bitte sehen und kommentieren Sie unseren Beitrag hier
Wenn Sie eine Problemumgehung für etwas wünschen, das Ihnen möglicherweise fehlt, können Sie gerne in den Foren posten. Wir werden dann unser Möglichstes tun, um Ihnen zu helfen.
Projekte basieren auf der Funktionalität, die die enthaltenen Beispiele dem Benutzer demonstrieren, und nicht unbedingt auf der Bibliothek im DL4J-Stack, in der sich die Funktionalität befindet.
Beispiele in einem Projekt werden im Allgemeinen in „Schnellstart“ und „Erweitert“ unterteilt.
Die README-Datei jedes Projekts listet außerdem alle darin enthaltenen Beispiele auf, mit einer empfohlenen Reihenfolge zum Erkunden.
dl4j-examples Dieses Projekt enthält eine Reihe von Beispielen, die die Verwendung der High-Level-DL4J-API zum Aufbau verschiedener neuronaler Netze demonstrieren. Einige dieser Beispiele sind End-to-End-Beispiele in dem Sinne, dass sie mit Rohdaten beginnen, diese verarbeiten und dann darauf aufbauend neuronale Netze aufbauen und trainieren.
tensorflow-keras-import-examples Dieses Projekt enthält eine Reihe von Beispielen, die zeigen, wie Keras h5-Modelle und eingefrorene TensorFlow-PB-Modelle in das DL4J-Ökosystem importiert werden. Nach dem Import in DL4J können diese Modelle wie jedes andere DL4J-Modell behandelt werden – das heißt, Sie können sie weiterhin trainieren, sie mit der Transfer-Learning-API ändern oder einfach Inferenzen darauf ausführen.
dl4j-distributed-training-examples Dieses Projekt enthält eine Reihe von Beispielen, die zeigen, wie verteiltes Training, Inferenz und Auswertung in DL4J auf Apache Spark durchgeführt werden. Das verteilte DL4J-Training verwendet einen „hybriden“ asynchronen SGD-Ansatz – weitere Details finden Sie in der Dokumentation zum verteilten Deep Learning hier
cuda-spezifische Beispiele Dieses Projekt enthält eine Reihe von Beispielen, die zeigen, wie mehrere GPUs für das datenparallele Training neuronaler Netze genutzt werden können, um die Leistung zu steigern.
samediff-examples Dieses Projekt enthält eine Reihe von Beispielen, die die SameDiff-API demonstrieren. SameDiff (das Teil der ND4J-Bibliothek ist) kann zum Erstellen automatisch differenzierender Berechnungsdiagramme auf niedrigerer Ebene verwendet werden. Ein Analogon zur SameDiff-API im Vergleich zur DL4J-API ist die TensorFlow-API auf niedriger Ebene im Vergleich zur Keras-API auf höherer Abstraktionsebene.
data-pipeline-examples Dieses Projekt enthält eine Reihe von Beispielen, die zeigen, wie Rohdaten in verschiedenen Formaten geladen, aufgeteilt und vorverarbeitet werden können, um serialisierbare (und damit reproduzierbare) ETL-Pipelines zu erstellen.
nd4j-ndarray-examples Dieses Projekt enthält eine Reihe von Beispielen, die zeigen, wie NDArrays manipuliert werden. Die hier demonstrierte Funktionalität von ND4J kann mit NumPy verglichen werden.
rl4j-examples Dieses Projekt enthält Beispiele für die Verwendung von RL4J, der Reinforcement-Learning-Bibliothek in DL4J.
android-examples Dieses Projekt enthält ein Android-Beispielprojekt, das zeigt, wie DL4J in einer Android-Anwendung verwendet wird.
Diese Beispiele decken zwar nicht alle in DL4J verfügbaren Funktionen ab, sollen aber die Funktionalität abdecken, die für die meisten Benutzer – Anfänger und Fortgeschrittene – erforderlich ist. Reichen Sie hier ein Problem ein, wenn Sie Feedback oder Funktionswünsche haben, die hier nicht behandelt werden. Für Fragen stehen wir Ihnen auch über unser Community-Forum zur Verfügung. Wir freuen uns über Beiträge aus der Community. Weitere Informationen finden Sie hier. Wir freuen uns , von Ihnen zu hören. Prost!
