deeplearning4j examples
1.0.0
######## ## ## ##
## ## ## ## ## ##
## ## ## ## ## ##
**$** ## ## ## ## ## ## **$**
## ## ## ######### ## ##
## ## ## ## ## ##
######## ######## ## ######
. :::: : : : : : :::: : :::: ::::: :::: :::: ::::: .
. : : : : : :: :: : : : : : : : : : : : : .
. : : : : : : : : : : : : : : : : : : : : : .
. ::: : : : : : : :::: : ::: ::::: ::: :::: : : .
. : : : ::::: : : : : : : : : : : : : .
. : : : : : : : : : : : : : : : : : .
. :::: : : : : : : : ::::: :::: : : :::: : ::::: .
Para obtener ayuda, visite: https://community.konduit.ai
No monitoreamos los problemas de github de este repositorio con mucha frecuencia.
El ecosistema Eclipse Deeplearning4J (DL4J) es un conjunto de proyectos destinados a respaldar todas las necesidades de una aplicación de aprendizaje profundo basada en JVM. Esto significa comenzar con los datos sin procesar, cargarlos y preprocesarlos desde cualquier lugar y en cualquier formato para construir y ajustar una amplia variedad de redes de aprendizaje profundo simples y complejas.
La pila DL4J se compone de:
Todos los proyectos del ecosistema DL4J son compatibles con Windows, Linux y macOS. El soporte de hardware incluye GPU CUDA (10.0, 10.1, 10.2 excepto OSX), CPU x86 (x86_64, avx2, avx512), CPU ARM (arm, arm64, armhf) y PowerPC (ppc64le).
Este repositorio de ejemplo consta de varios proyectos Maven Java separados, cada uno con sus propios archivos pom. Maven es una popular herramienta de automatización de compilación para proyectos Java. El contenido de un archivo "pom.xml" dicta las configuraciones. Lea más sobre cómo configurar Maven aquí.
Los usuarios también pueden consultar el proyecto de muestra simple proporcionado para comenzar con un proyecto limpio desde cero.
Las herramientas de compilación se consideran las mejores prácticas estándar de ingeniería de software. Además de esto, las complejidades que plantean los proyectos en el ecosistema DL4J hacen que las dependencias sean demasiado difíciles de gestionar manualmente. Todos los proyectos del ecosistema DL4J se pueden utilizar con otras herramientas de compilación como Gradle, SBT, etc. Puede encontrar más información al respecto aquí.
Para obtener ayuda con los ejemplos, vaya a nuestro foro de soporte.
Nota para los usuarios de 1.0.0-beta7 y anteriores, algunos ejemplos y módulos se han eliminado para reflejar cambios en la dirección del marco. Por favor vea y comente nuestra publicación aquí.
Si desea una solución alternativa para algo que se le escapa, no dude en publicarla en los foros y haremos todo lo posible para ayudarle.
Los proyectos se basan en la funcionalidad que los ejemplos incluidos demuestran al usuario y no necesariamente en qué biblioteca de la pila DL4J se encuentra la funcionalidad.
Los ejemplos de un proyecto generalmente se dividen en "inicio rápido" y "avanzado".
Cada proyecto README también enumera todos los ejemplos que contiene, con un orden recomendado para explorarlos.
dl4j-examples Este proyecto contiene un conjunto de ejemplos que demuestran el uso de la API DL4J de alto nivel para construir una variedad de redes neuronales. Algunos de estos ejemplos son de principio a fin, en el sentido de que comienzan con datos sin procesar, los procesan y luego construyen y entrenan redes neuronales a partir de ellos.
tensorflow-keras-import-examples Este proyecto contiene un conjunto de ejemplos que demuestran cómo importar modelos Keras h5 y modelos pb congelados de TensorFlow al ecosistema DL4J. Una vez importados a DL4J, estos modelos se pueden tratar como cualquier otro modelo de DL4J, lo que significa que puede continuar entrenando en ellos o modificarlos con la API de aprendizaje por transferencia o simplemente ejecutar inferencias en ellos.
dl4j-distributed-training-examples Este proyecto contiene un conjunto de ejemplos que demuestran cómo realizar capacitación, inferencia y evaluación distribuidas en DL4J en Apache Spark. La capacitación distribuida de DL4J emplea un enfoque SGD asincrónico "híbrido"; se pueden encontrar más detalles en la documentación de aprendizaje profundo distribuido aquí
cuda-specific-examples Este proyecto contiene un conjunto de ejemplos que demuestran cómo aprovechar múltiples GPU para el entrenamiento de redes neuronales con datos en paralelo para aumentar el rendimiento.
Samediff-examples Este proyecto contiene un conjunto de ejemplos que demuestran la API SameDiff. SameDiff (que forma parte de la biblioteca ND4J) se puede utilizar para crear gráficos de cálculo autodiferenciados de nivel inferior. Un análogo de la API SameDiff frente a la API DL4J es la API TensorFlow de bajo nivel frente a la API Keras de mayor nivel de abstracción.
data-pipeline-examples Este proyecto contiene un conjunto de ejemplos que demuestran cómo se pueden cargar, dividir y preprocesar datos sin procesar en varios formatos para construir canalizaciones ETL serializables (y, por lo tanto, reproducibles).
nd4j-ndarray-examples Este proyecto contiene un conjunto de ejemplos que demuestran cómo manipular NDArrays. La funcionalidad de ND4J demostrada aquí se puede comparar con NumPy.
rl4j-examples Este proyecto contiene ejemplos del uso de RL4J, la biblioteca de aprendizaje por refuerzo en DL4J.
android-examples Este proyecto contiene un proyecto de ejemplo de Android, que muestra el uso de DL4J en una aplicación de Android.
Si bien este conjunto de ejemplos no cubre todas las funciones disponibles en DL4J, la intención es cubrir la funcionalidad requerida por la mayoría de los usuarios: principiantes y avanzados. Presente un problema aquí si tiene comentarios o solicitudes de funciones que no se tratan aquí. También estamos disponibles a través de nuestro foro comunitario si tiene preguntas. Agradecemos las contribuciones de la comunidad. Puede encontrar más información aquí. Nos encanta saber de usted. ¡Salud!
