deeplearning4j examples
1.0.0
######## ## ## ##
## ## ## ## ## ##
## ## ## ## ## ##
**$** ## ## ## ## ## ## **$**
## ## ## ######### ## ##
## ## ## ## ## ##
######## ######## ## ######
. :::: : : : : : :::: : :::: ::::: :::: :::: ::::: .
. : : : : : :: :: : : : : : : : : : : : .
. : : : : : : : : : : : : : : : : : : : .
. ::: : : : : : : ::: : : :: ::::: ::: :::: : : .
. : : : ::::: : : : : : : : : : : : .
. : : : : : : : : : : : : : : : .
. :::: : : : : : : : ::::: :::: : : :::: : ::::: .
Pour obtenir de l'aide, veuillez vous rendre sur : https://community.konduit.ai
Nous ne surveillons pas très souvent les problèmes github de ce référentiel.
L'écosystème Eclipse Deeplearning4J (DL4J) est un ensemble de projets destinés à prendre en charge tous les besoins d'une application d'apprentissage profond basée sur JVM. Cela signifie commencer par les données brutes, les charger et les prétraiter où que ce soit et quel que soit leur format, pour créer et régler une grande variété de réseaux d'apprentissage en profondeur simples et complexes.
La pile DL4J comprend :
Tous les projets de l'écosystème DL4J prennent en charge Windows, Linux et macOS. La prise en charge matérielle inclut les GPU CUDA (10.0, 10.1, 10.2 sauf OSX), le processeur x86 (x86_64, avx2, avx512), le processeur ARM (arm, arm64, armhf) et PowerPC (ppc64le).
Cet exemple de référentiel se compose de plusieurs projets Java Maven distincts, chacun avec ses propres fichiers pom. Maven est un outil d'automatisation de build populaire pour les projets Java. Le contenu d'un fichier "pom.xml" dicte les configurations. En savoir plus sur la configuration de Maven ici.
Les utilisateurs peuvent également se référer à l’exemple de projet simple fourni pour démarrer un projet propre à partir de zéro.
Les outils de build sont considérés comme les meilleures pratiques standard en matière d’ingénierie logicielle. De plus, les complexités posées par les projets dans l'écosystème DL4J rendent les dépendances trop difficiles à gérer manuellement. Tous les projets de l'écosystème DL4J peuvent être utilisés avec d'autres outils de construction comme Gradle, SBT, etc. Plus d'informations à ce sujet peuvent être trouvées ici.
Pour obtenir de l'aide avec les exemples, veuillez vous rendre sur notre forum d'assistance
Remarque pour les utilisateurs de la version 1.0.0-beta7 et versions antérieures, certains exemples et modules ont été supprimés pour refléter les changements dans l'orientation du framework. Veuillez consulter et commenter notre article ici
Si vous souhaitez une solution de contournement pour quelque chose qui pourrait vous manquer, n'hésitez pas à poster sur les forums et nous ferons tout notre possible pour vous aider.
Les projets sont basés sur les fonctionnalités que les exemples inclus démontrent à l'utilisateur et pas nécessairement sur la bibliothèque de la pile DL4J dans laquelle réside la fonctionnalité.
Les exemples d'un projet sont en général séparés en "démarrage rapide" et "avancé".
Chaque projet README répertorie également tous les exemples qu'il contient, avec un ordre recommandé pour les explorer.
dl4j-examples Ce projet contient un ensemble d'exemples qui démontrent l'utilisation de l'API DL4J de haut niveau pour créer une variété de réseaux neuronaux. Certains de ces exemples sont bout à bout, dans le sens où ils commencent par des données brutes, les traitent, puis construisent et entraînent des réseaux neuronaux sur celles-ci.
tensorflow-keras-import-examples Ce projet contient un ensemble d'exemples qui montrent comment importer des modèles Keras h5 et des modèles pb gelés TensorFlow dans l'écosystème DL4J. Une fois importés dans DL4J, ces modèles peuvent être traités comme n'importe quel autre modèle DL4J, ce qui signifie que vous pouvez continuer à exécuter une formation sur eux ou les modifier avec l'API d'apprentissage par transfert ou simplement exécuter une inférence sur eux.
dl4j-distributed-training-examples Ce projet contient un ensemble d'exemples qui montrent comment effectuer une formation, une inférence et une évaluation distribuées dans DL4J sur Apache Spark. La formation distribuée DL4J utilise une approche SGD asynchrone « hybride » - de plus amples détails peuvent être trouvés dans la documentation d'apprentissage profond distribué ici.
cuda-special-examples Ce projet contient un ensemble d'exemples qui démontrent comment exploiter plusieurs GPU pour la formation parallèle de données de réseaux neuronaux pour des performances accrues.
samediff-examples Ce projet contient un ensemble d'exemples qui démontrent l'API SameDiff. SameDiff (qui fait partie de la bibliothèque ND4J) peut être utilisé pour créer des graphiques de calcul auto-différenciés de niveau inférieur. Un analogue de l'API SameDiff par rapport à l'API DL4J est l'API TensorFlow de bas niveau par rapport à l'API Keras de niveau d'abstraction supérieur.
data-pipeline-examples Ce projet contient un ensemble d'exemples qui démontrent comment des données brutes dans divers formats peuvent être chargées, divisées et prétraitées pour créer des pipelines ETL sérialisables (et donc reproductibles).
nd4j-ndarray-examples Ce projet contient un ensemble d'exemples qui montrent comment manipuler les NDArrays. La fonctionnalité de ND4J démontrée ici peut être comparée à NumPy.
rl4j-examples Ce projet contient des exemples d'utilisation de RL4J, la bibliothèque d'apprentissage par renforcement de DL4J.
android-examples Ce projet contient un exemple de projet Android, qui montre DL4J utilisé dans une application Android.
Bien que cet ensemble d'exemples ne couvre pas toutes les fonctionnalités disponibles dans DL4J, l'intention est de couvrir les fonctionnalités requises pour la plupart des utilisateurs - débutants et avancés. Signalez un problème ici si vous avez des commentaires ou des demandes de fonctionnalités qui ne sont pas couvertes ici. Nous sommes également disponibles via notre forum communautaire pour toute question. Nous apprécions les contributions de la communauté. Plus d’informations peuvent être trouvées ici. Nous aimons avoir de vos nouvelles. Acclamations!
