Eclipse Deeplearning4j 是一套用于在 JVM 上运行深度学习的工具。

它是唯一一个允许您从 java 训练模型，同时通过我们的 cpython 绑定、模型导入支持以及其他运行时（如 tensorflow-java 和 onnxruntime）的互操作的混合执行与 python 生态系统互操作的框架。

用例包括导入和重新训练模型（Pytorch、Tensorflow、Keras）模型以及在 JVM 微服务环境、移动设备、物联网和 Apache Spark 中部署。

这是对您的 python 环境的一个很好的补充，可以运行在 python 中构建的模型，部署到或打包用于其他环境。

你从哪里开始取决于你已经知道什么。

真正理解深度学习的先决条件是线性代数、微积分和统计学，以及编程和一些机器学习。

应用它的先决条件只是学习如何部署模型。

对于 Deeplearning4j，您应该熟悉 Java，并且熟悉 IntelliJ IDE 和自动构建工具 Maven 等工具。

您将在下面找到资源列表。

这些部分按照它们有用的顺序进行了粗略的组织。

免费在线机器学习和深度学习课程

• Andrew Ng's Machine-Learning Class on YouTube

• Geoff Hinton's Neural Networks Class on YouTube

• Patrick Winston's Introduction to Artificial Intelligence @MIT (For those interested in a survey of artificial intelligence.)

• Andrej Karpathy's Convolutional Neural Networks Class at Stanford (For those interested in image recognition.)

• ML@B: Machine Learning Crash Course: Part 1

• ML@B: Machine Learning Crash Course: Part 2

• Gradient descent, how neural networks learn, Deep learning, part 2

这是运行 DL4J 示例和开始您自己的项目所需的一切。

我们建议您加入我们的社区论坛。

您可以在那里请求帮助并提供反馈，但请在提出我们在下面回答的问题之前使用本指南。

如果您不熟悉深度学习，我们为初学者提供了路线图，其中包含课程、阅读材料和其他资源的链接。

如果您只是想开始，请考虑阅读我们的核心工作流程指南。

快速概览

Deeplearning4j 最初是一种用于配置深度神经网络的特定领域语言，后来演变成一套工具，开发人员可以使用它来完成从 Java 中的训练模型到部署模型到生产的所有工作。

端到端工作流程涉及以下内容：

• 准备数据

• 正则化

• 建立模型

• 调整模型

• 准备部署

此页面将尝试涵盖每个工作流程的注意事项，并链接到其他资源，以了解如何处理可能特定于特定人员的每个步骤。

准备数据

数据总是需要进行预处理。 这意味着将数据从不同数据类型的原始源转换为要由神经网络处理的 ndarray。 在 deeplearning4j 套件中，有几种方法可以做到这一点：
datavec 模块：使用记录读取器抽象，可以通过数据集迭代器批量读取数据以训练模型

Eclipse Deeplearning4j 的硬件设置，包括 GPU 和 CUDA。

ND4J 在所谓的后端或线性代数库上工作，例如 Native nd4j-native 和 nd4j-cuda-10.2 (GPU)，您可以通过将正确的依赖项粘贴到项目的 POM.xml 文件中来选择它们。

用于 GPU 和 CPU 的 ND4J 后端

通过更改 ND4J 的 POM.xml 文件中的依赖关系，您可以为后端线性代数运算选择 GPU 或本机 CPU。

您的选择将影响您的应用程序中使用的 ND4J 和 DL4J。

如果您安装了 CUDA v9.2+ 和 NVIDIA 兼容的硬件，那么您的依赖声明将如下所示：

深度学习的入门例子。

准备工作

maven 3+

jdk11 安装。

ps: 官方给定的 demo，依赖的 jar 是 11 的版本。所以需要安装 jdk11。

pom.xml

引入对应的 maven 包。

    4.0.0

    
    org.deeplearning4j
    deeplearning4j-example-sample
    1.0.0-M2

    
    
        1.0.0-M2.1
        1.2.3
        1.8
        2.4.3
        UTF-8
    


    
        
            org.deeplearning4j
            deeplearning4j-core
            ${dl4j-master.version}
        

        
            org.nd4j
            nd4j-native
            ${dl4j-master.version}
            windows-x86_64-avx2
        

        
            ch.qos.logback
            logback-classic
            ${logback.version}
        
    



    
        
            
            
                org.apache.maven.plugins
                maven-compiler-plugin
                3.5.1
                
                    ${java.version}
                    ${java.version}
                
            

            
                org.apache.maven.plugins
                maven-shade-plugin
                ${maven-shade-plugin.version}
                
                    true
                    bin
                    true
                    
                        
                            *:*
                            
                                org/datanucleus/**
                                META-INF/*.SF
                                META-INF/*.DSA
                                META-INF/*.RSA
                            
                        
                    
                

                
                    
                        package
                        
                            shade
                        
                        
                            
                                
                                    reference.conf

这是运行 DL4J 示例和开始您自己的项目所需的一切。

我们建议您加入我们的社区论坛。

您可以在那里请求帮助并提供反馈，但请在提出我们在下面回答的问题之前使用本指南。

如果您不熟悉深度学习，我们为初学者提供了路线图，其中包含课程、阅读材料和其他资源的链接。

我们目前正在重新编写入门指南。

DL4J 中的语言处理概述

虽然设计的目的不是为了与斯坦福 CoreNLP 或 NLTK 等工具相媲美，但 deepLearning4J 确实包含一些此处描述的核心文本处理工具。

Deeplearning4j 的 NLP 支持包含不同 NLP 库的接口。

用户通过我们的接口包装第三方库。

从 M1 开始的 Deeplearning4j 不直接支持任何 3rd 方库。

这是由于缺乏维护和定制工作来使这项工作对用户很好。

相反，我们公开接口以允许用户实现他们自己的分词器。

句子迭代器（SentenceIterator）

DL4J 中用于语言处理的 Doc2Vec 和任意文档。

Doc2Vec 的主要目的是将任意文档与标签相关联，因此需要标签。

Doc2vec 是 word2vec 的扩展，它学习关联标签和单词，而不是单词与其他单词。

Deeplearning4j 的实现旨在服务于 Java、Scala 和 Clojure 社区。

第一步是提出一个表示文档“含义”的向量，然后可以将其用作监督机器学习算法的输入，以将文档与标签相关联。

在 ParagraphVectors 构建器模式中，labels() 方法指向要训练的标签。

Word2vec 和 Bag of Words 中都使用了句子迭代器。

它以向量的形式将文本位输入神经网络，还涵盖了文本处理中的文档概念。

在自然语言处理中，文档或句子通常用于封装算法应该学习的上下文。

一些例子包括分析推文和全面的新闻文章。句子迭代器的目的是将文本划分为可处理的位。

请注意，句子迭代器与输入无关。因此，一些文本（文档）可以来自文件系统、Twitter API 或 Hadoop。

根据输入的处理方式，句子迭代器的输出将被传递给分词器以处理单个词，这些词通常是单词，但也可以是 ngram、skipgram 或其他单元。