deeplearning4j examples
1.0.0
######## ## ## ##
## ## ## ## ## ##
## ## ## ## ## ##
**$** ## ## ## ## ## ## **$**
## ## ## ######### ## ##
## ## ## ## ## ##
######## ######## ## ######
. :::: : : : : : :::: : :::: ::::: :::: :::: ::::: .
. : : : : : :: :: : : : : : : : : : : : .
. : : : : : : : : : : : : : : : : : : : : .
. ::: : : : : : : :::: : ::: ::::: ::: :::: : : .
. : : : ::::: : : : : : : : : : : : .
. : : : : : : : : : : : : : : : : .
. :::: : : : : : : : ::::: :::: : : :::: : ::::: .
Для поддержки перейдите по адресу: https://community.konduit.ai.
Мы не очень часто отслеживаем проблемы этого репозитория на GitHub.
Экосистема Eclipse Deeplearning4J (DL4J) — это набор проектов, предназначенных для поддержки всех потребностей приложений глубокого обучения на основе JVM. Это означает, что нужно начинать с необработанных данных, загружать и предварительно обрабатывать их из любого места и в любом формате, а затем создавать и настраивать широкий спектр простых и сложных сетей глубокого обучения.
Стек DL4J состоит из:
Все проекты экосистемы DL4J поддерживают Windows, Linux и macOS. Аппаратная поддержка включает графические процессоры CUDA (10.0, 10.1, 10.2, кроме OSX), процессоры x86 (x86_64, avx2, avx512), процессоры ARM (arm, Arm64, Armhf) и PowerPC (ppc64le).
Этот пример репозитория состоит из нескольких отдельных проектов Maven Java, каждый из которых имеет свои собственные pom-файлы. Maven — популярный инструмент автоматизации сборки Java-проектов. Содержимое файла pom.xml определяет конфигурации. Подробнее о том, как настроить Maven, читайте здесь.
Пользователи также могут воспользоваться предоставленным простым примером проекта, чтобы начать работу с чистым проектом с нуля.
Инструменты сборки считаются стандартной передовой практикой разработки программного обеспечения. Помимо этого, сложности, создаваемые проектами в экосистеме DL4J, делают зависимости слишком сложными для управления вручную. Все проекты в экосистеме DL4J можно использовать с другими инструментами сборки, такими как Gradle, SBT и т. д. Дополнительную информацию об этом можно найти здесь.
Чтобы получить помощь с примерами, посетите наш форум поддержки.
Обратите внимание для пользователей версии 1.0.0-beta7 и более ранних версий: некоторые примеры и модули были удалены, чтобы отразить изменения в направлении развития платформы. Пожалуйста, посмотрите и прокомментируйте нашу публикацию здесь
Если вам нужен обходной путь для чего-то, что вам, возможно, не хватает, не стесняйтесь писать на форумах, и мы сделаем все возможное, чтобы помочь вам.
Проекты основаны на том, какую функциональность включенные примеры демонстрируют пользователю, а не на том, какая библиотека в стеке DL4J содержит эту функциональность.
Примеры в проекте обычно делятся на «быстрый старт» и «продвинутый».
В README каждого проекта также перечислены все содержащиеся в нем примеры с рекомендуемым порядком их изучения.
dl4j-examples Этот проект содержит набор примеров, демонстрирующих использование API высокого уровня DL4J для создания различных нейронных сетей. Некоторые из этих примеров являются сквозными, в том смысле, что они начинаются с необработанных данных, обрабатывают их, а затем строят и обучают на их основе нейронные сети.
tensorflow-keras-import-examples Этот проект содержит набор примеров, демонстрирующих, как импортировать модели Keras h5 и замороженные модели pb TensorFlow в экосистему DL4J. После импорта в DL4J с этими моделями можно обращаться так же, как с любой другой моделью DL4J, то есть вы можете продолжать проводить на них обучение или изменять их с помощью API трансферного обучения или просто выполнять на них логические выводы.
dl4j-distributed-training-examples Этот проект содержит набор примеров, демонстрирующих, как выполнять распределенное обучение, вывод и оценку в DL4J на Apache Spark. Распределенное обучение DL4J использует «гибридный» асинхронный подход SGD. Более подробную информацию можно найти в документации по распределенному глубокому обучению здесь.
cuda-special-examples Этот проект содержит набор примеров, демонстрирующих, как использовать несколько графических процессоров для параллельного обучения нейронных сетей для повышения производительности.
Samediff-examples Этот проект содержит набор примеров, демонстрирующих API SameDiff. SameDiff (который является частью библиотеки ND4J) можно использовать для построения графов вычислений с автоматическим дифференцированием нижнего уровня. Аналогом SameDiff API и API DL4J является API TensorFlow низкого уровня и API Keras более высокого уровня абстракции.
data-pipeline-examples Этот проект содержит набор примеров, демонстрирующих, как можно загружать, разделять и предварительно обрабатывать необработанные данные в различных форматах для создания сериализуемых (и, следовательно, воспроизводимых) конвейеров ETL.
nd4j-ndarray-examples Этот проект содержит набор примеров, демонстрирующих, как манипулировать NDArrays. Функциональность ND4J, продемонстрированную здесь, можно сравнить с NumPy.
rl4j-examples Этот проект содержит примеры использования RL4J, библиотеки обучения с подкреплением в DL4J.
android-examples Этот проект содержит пример проекта Android, который показывает, как DL4J используется в приложении Android.
Хотя этот набор примеров не охватывает все функции, доступные в DL4J, цель состоит в том, чтобы охватить функции, необходимые большинству пользователей - начинающих и продвинутых. Сообщите о проблеме здесь, если у вас есть отзывы или запросы на добавление функций, которые здесь не описаны. Мы также доступны через наш форум сообщества для вопросов. Мы приветствуем вклад сообщества. Более подробную информацию можно найти здесь. Мы рады услышать ваше мнение. Ваше здоровье!
