deeplearning4j examples
1.0.0
######## ## ## ##
## ## ## ## ## ##
## ## ## ## ## ##
**$** ## ## ## ## ## ## **$**
## ## ## ######### ## ##
## ## ## ## ## ##
######## ######## ## ######
. :::: : : : : : :::: : :::: ::::: :::: :::: ::::: .
. : : : : : :: :: : : : : : : : : : : : .
. : : : : : : : : : : : : : : : : : : : .
. ::: : : : : : : :::: : ::: ::::: ::: :::: : : .
. : : : ::::: : : : : : : : : : : : .
. : : : : : : : : : : : : : : : : .
. :::: : : : : : : : ::::: :::: : : :::: : ::::: .
Untuk dukungan, silakan kunjungi: https://community.konduit.ai
Kami tidak terlalu sering memantau masalah github pada repositori ini.
Ekosistem Eclipse Deeplearning4J (DL4J) adalah serangkaian proyek yang dimaksudkan untuk mendukung semua kebutuhan aplikasi pembelajaran mendalam berbasis JVM. Ini berarti memulai dengan data mentah, memuat dan memprosesnya terlebih dahulu dari mana saja dan dalam format apa pun, hingga membangun dan menyempurnakan beragam jaringan pembelajaran mendalam yang sederhana dan kompleks.
Tumpukan DL4J terdiri dari:
Semua proyek di ekosistem DL4J mendukung Windows, Linux, dan macOS. Dukungan perangkat keras mencakup GPU CUDA (10.0, 10.1, 10.2 kecuali OSX), CPU x86 (x86_64, avx2, avx512), CPU ARM (arm, arm64, armhf) dan PowerPC (ppc64le).
Contoh repo ini terdiri dari beberapa proyek Maven Java yang terpisah, masing-masing dengan file pomnya sendiri. Maven adalah alat otomatisasi pembangunan yang populer untuk Proyek Java. Isi file "pom.xml" menentukan konfigurasinya. Baca selengkapnya tentang cara mengkonfigurasi Maven di sini.
Pengguna juga dapat merujuk pada contoh proyek sederhana yang disediakan untuk memulai proyek bersih dari awal.
Alat pembangunan dianggap sebagai praktik terbaik rekayasa perangkat lunak standar. Selain itu kompleksitas yang ditimbulkan oleh proyek di ekosistem DL4J membuat ketergantungan terlalu sulit untuk dikelola secara manual. Semua proyek di ekosistem DL4J dapat digunakan dengan alat pembangunan lain seperti Gradle, SBT, dll. Informasi selengkapnya dapat ditemukan di sini.
Untuk bantuan mengenai contoh, silakan kunjungi forum dukungan kami
Catatan untuk pengguna 1.0.0-beta7 dan sebelumnya, beberapa contoh dan modul telah dihapus untuk mencerminkan perubahan arah kerangka kerja. Silakan lihat dan komentari postingan kami di sini
Jika Anda menginginkan solusi untuk sesuatu yang mungkin Anda lewatkan, silakan posting di forum, dan kami akan melakukan apa yang kami bisa untuk membantu Anda.
Proyek didasarkan pada fungsionalitas apa yang ditunjukkan oleh contoh yang disertakan kepada pengguna dan belum tentu pada perpustakaan mana di tumpukan DL4J fungsionalitas tersebut berada.
Contoh dalam suatu proyek secara umum dipisahkan menjadi "quickstart" dan "advanced".
Setiap proyek README juga mencantumkan semua contoh yang ada di dalamnya, dengan urutan yang disarankan untuk menjelajahinya.
dl4j-examples Proyek ini berisi serangkaian contoh yang menunjukkan penggunaan API DL4J tingkat tinggi untuk membangun berbagai jaringan saraf. Beberapa contoh ini bersifat end to end, dalam artian dimulai dengan data mentah, memprosesnya, lalu membangun dan melatih jaringan saraf di dalamnya.
tensorflow-keras-import-examples Proyek ini berisi serangkaian contoh yang menunjukkan cara mengimpor model Keras h5 dan model pb beku TensorFlow ke ekosistem DL4J. Setelah diimpor ke DL4J, model ini dapat diperlakukan seperti model DL4J lainnya - artinya Anda dapat terus menjalankan pelatihan pada model tersebut atau memodifikasinya dengan API pembelajaran transfer atau sekadar menjalankan inferensi pada model tersebut.
dl4j-distributed-training-examples Proyek ini berisi serangkaian contoh yang menunjukkan cara melakukan pelatihan terdistribusi, inferensi, dan evaluasi dalam DL4J di Apache Spark. Pelatihan terdistribusi DL4J menggunakan pendekatan SGD asinkron "hibrida" - rincian lebih lanjut dapat ditemukan dalam dokumentasi pembelajaran mendalam yang didistribusikan di sini
cuda-spesifik-contoh Proyek ini berisi serangkaian contoh yang menunjukkan cara memanfaatkan beberapa GPU untuk pelatihan jaringan saraf paralel data guna meningkatkan kinerja.
samediff-examples Proyek ini berisi serangkaian contoh yang mendemonstrasikan API SameDiff. SameDiff (yang merupakan bagian dari perpustakaan ND4J) dapat digunakan untuk membuat grafik komputasi pembedaan otomatis tingkat rendah. Analog dengan API SameDiff vs API DL4J adalah API TensorFlow tingkat rendah vs API Keras abstraksi tingkat tinggi.
data-pipeline-example Proyek ini berisi serangkaian contoh yang menunjukkan bagaimana data mentah dalam berbagai format dapat dimuat, dipecah, dan diproses sebelumnya untuk membangun pipeline ETL yang dapat diserialkan (dan karenanya dapat direproduksi).
nd4j-ndarray-examples Proyek ini berisi serangkaian contoh yang menunjukkan cara memanipulasi NDArray. Fungsionalitas ND4J yang ditunjukkan di sini dapat disamakan dengan NumPy.
rl4j-examples Proyek ini berisi contoh penggunaan RL4J, perpustakaan pembelajaran penguatan di DL4J.
android-examples Proyek ini berisi proyek contoh Android, yang menunjukkan DL4J digunakan dalam aplikasi Android.
Meskipun kumpulan contoh ini tidak mencakup semua fitur yang tersedia di DL4J, tujuannya adalah untuk mencakup fungsionalitas yang dibutuhkan oleh sebagian besar pengguna - pemula dan lanjutan. Ajukan masalah di sini jika Anda memiliki masukan atau permintaan fitur yang tidak tercakup di sini. Kami juga tersedia melalui forum komunitas kami untuk pertanyaan. Kami menyambut kontribusi dari komunitas. Informasi lebih lanjut dapat ditemukan di sini Kami senang mendengar pendapat Anda. Bersulang!
