deeplearning4j examples
1.0.0
######## ## ## ##
## ## ## ## ## ##
## ## ## ## ## ##
**$** ## ## ## ## ## ## **$**
## ## ## ######### ## ##
## ## ## ## ## ##
######## ######## ## ######
. :::: : : : : : :::: : :::: ::::: :::: :::: ::::: .
. : : : : : :: :: : : : : : : : : : : : .
. : : : : : : : : : : : : : : : : : : : : .
. ::: : : : : : : :::: : ::: ::::: ::: :::: : : .
. : : : ::::: : : : : : : : : : : : .
. : : : : : : : : : : : : : : : : .
. :::: : : : : : : : ::::: :::: : : :::: : ::::: .
Para suporte, acesse: https://community.konduit.ai
Não monitoramos os problemas do github deste repositório com muita frequência.
O ecossistema Eclipse Deeplearning4J (DL4J) é um conjunto de projetos destinados a suportar todas as necessidades de um aplicativo de aprendizagem profunda baseado em JVM. Isso significa começar com os dados brutos, carregá-los e pré-processá-los de qualquer lugar e formato para construir e ajustar uma ampla variedade de redes de aprendizagem profunda simples e complexas.
A pilha DL4J é composta por:
Todos os projetos do ecossistema DL4J suportam Windows, Linux e macOS. O suporte de hardware inclui GPUs CUDA (10.0, 10.1, 10.2 exceto OSX), CPU x86 (x86_64, avx2, avx512), CPU ARM (arm, arm64, armhf) e PowerPC (ppc64le).
Este repositório de exemplo consiste em vários projetos Maven Java separados, cada um com seus próprios arquivos pom. Maven é uma ferramenta popular de automação de construção para projetos Java. O conteúdo de um arquivo "pom.xml" determina as configurações. Leia mais sobre como configurar o Maven aqui.
Os usuários também podem consultar o projeto de amostra simples fornecido para começar um projeto limpo do zero.
Ferramentas de construção são consideradas práticas recomendadas padrão de engenharia de software. Além disso, as complexidades impostas pelos projetos no ecossistema DL4J tornam as dependências muito difíceis de gerenciar manualmente. Todos os projetos do ecossistema DL4J podem ser usados com outras ferramentas de construção como Gradle, SBT etc.
Para obter ajuda com os exemplos, acesse nosso fórum de suporte
Observação para usuários da versão 1.0.0-beta7 e anteriores, alguns exemplos e módulos foram removidos para refletir as mudanças na direção da estrutura. Por favor, veja e comente nossa postagem aqui
Se você quiser uma solução alternativa para algo que pode estar faltando, sinta-se à vontade para postar nos fóruns e faremos o que pudermos para ajudá-lo.
Os projetos são baseados na funcionalidade que os exemplos incluídos demonstram ao usuário e não necessariamente em qual biblioteca da pilha DL4J a funcionalidade reside.
Os exemplos em um projeto são geralmente separados em “início rápido” e “avançado”.
Cada README do projeto também lista todos os exemplos que contém, com uma ordem recomendada para explorá-los.
dl4j-examples Este projeto contém um conjunto de exemplos que demonstram o uso da API DL4J de alto nível para construir uma variedade de redes neurais. Alguns desses exemplos são completos, no sentido de que começam com dados brutos, processam-nos e depois constroem e treinam redes neurais neles.
tensorflow-keras-import-examples Este projeto contém um conjunto de exemplos que demonstram como importar modelos Keras h5 e modelos pb congelados do TensorFlow para o ecossistema DL4J. Uma vez importados para o DL4J, esses modelos podem ser tratados como qualquer outro modelo DL4J - o que significa que você pode continuar a executar treinamento neles ou modificá-los com a API de transferência de aprendizagem ou simplesmente executar inferência neles.
dl4j-distributed-training-examples Este projeto contém um conjunto de exemplos que demonstram como fazer treinamento distribuído, inferência e avaliação em DL4J no Apache Spark. O treinamento distribuído DL4J emprega uma abordagem SGD assíncrona "híbrida" - mais detalhes podem ser encontrados na documentação de aprendizado profundo distribuído aqui
exemplos específicos de cuda Este projeto contém um conjunto de exemplos que demonstram como aproveitar várias GPUs para treinamento paralelo de dados de redes neurais para aumentar o desempenho.
samediff-examples Este projeto contém um conjunto de exemplos que demonstram a API SameDiff. SameDiff (que faz parte da biblioteca ND4J) pode ser usado para construir gráficos de computação com diferenciação automática de nível inferior. Um análogo da API SameDiff versus a API DL4J é a API TensorFlow de baixo nível versus a API Keras de nível mais alto de abstração.
data-pipeline-examples Este projeto contém um conjunto de exemplos que demonstram como dados brutos em vários formatos podem ser carregados, divididos e pré-processados para construir pipelines ETL serializáveis (e, portanto, reproduzíveis).
nd4j-ndarray-examples Este projeto contém um conjunto de exemplos que demonstram como manipular NDArrays. A funcionalidade do ND4J demonstrada aqui pode ser comparada ao NumPy.
rl4j-examples Este projeto contém exemplos de uso de RL4J, a biblioteca de aprendizagem por reforço em DL4J.
android-examples Este projeto contém um projeto de exemplo Android, que mostra o DL4J sendo usado em um aplicativo Android.
Embora este conjunto de exemplos não cubra todos os recursos disponíveis no DL4J, a intenção é cobrir a funcionalidade necessária para a maioria dos usuários - iniciantes e avançados. Registre um problema aqui se você tiver comentários ou solicitações de recursos que não são abordados aqui. Também estamos disponíveis através do nosso fórum da comunidade para perguntas. Aceitamos contribuições da comunidade. Mais informações podem ser encontradas aqui. Adoramos ouvir sua opinião. Saúde!
