DL框架之Deeplearning4j：深度学习框架Deeplearning4j的简介、安装、使用方法之详细攻略

DL框架之Deeplearning4j：深度学习框架Deeplearning4j的简介、安装、使用方法之详细攻略

目录

深度学习框架Deeplearning4j的简介

1、Deeplearning4j特点

2、DL4J的几个模块

深度学习框架Deeplearning4j的安装

深度学习框架Deeplearning4j的简使用方法

1、Deeplearning4J 定义LeNet卷积神经网络

---

深度学习框架Deeplearning4j的简介

       Eclipse Deeplearning4J (DL4J)生态系统是一组旨在支持基于JVM的深度学习应用程序的所有需求的项目。这意味着从原始数据开始，从任何地方和任何格式加载和预处理数据，构建和调整各种各样的简单和复杂的深度学习网络。
       Deeplearning4j是为Java和Java虚拟机编写的开源深度学习库，是广泛支持各种深度学习算法的运算框架。Deeplearning4j可以实施的技术包括受限玻尔兹曼机、深度置信网络、深度自动编码器、堆叠式降噪自动编码器、循环神经张量网络，以及word2vec、doc2vec和GloVe。这些算法全部包括分布式并行版本，与Hadoop和Spark集成。Skymind是Deeplearning4j的商业支持机构。
       Deeplearning4j是开源项目，主要由位于旧金山的一支机器学习团队开发，团队由Adam Gibson领导。Deeplearning4j是谷歌Word2vec页面上列出的唯一一个在Java环境下实施Word2vec的开源项目。
       Java虚拟机中的科学计算。Deeplearning4j包括使用ND4J的N维数组类，可在Java和Scala中进行科学计算，类似于Numpy为Python提供的功能。其基础是线性代数库，可有效支持生产环境中的矩阵操作。
       Deeplearning4j已经用于多项商业和科研应用。其代码由GitHub托管，并在谷歌小组上设有支持论坛。DL4J 生态系统中的所有项目都支持 Windows、Linux 和 macOS。硬件支持包括 CUDA GPU（10.0、10.1、10.2，OSX 除外）、x86 CPU（x86_64、avx2、avx512）、ARM CPU（arm、arm64、armhf）和 PowerPC（ppc64le）。

GitHub：https://github.com/deeplearning4j

GitHub地址：https://github.com/deeplearning4j/deeplearning4j

官方文档：Deeplearning4j Suite Overview - Deeplearning4j

1、Deeplearning4j特点

基于JVM语言特性：因为Deeplearning4J运行在JVM上，所以除了Java之外，您还可以将它与各种基于JVM的语言一起使用，比如Scala、Kotlin、Clojure等等。Deeplearning4j基于广泛使用的编程语言Java——但同时也兼容Clojure，并且包括Scala的API。它由自有的开源数值计算库ND4J驱动，可使用CPU或GPU运行。
可组合的：这一框架是可组合的，即受限玻尔兹曼机、卷积网络、自动编码器、递归网络等浅层神经网络可以相互叠加，组合成不同类型的深度网络。
集群式的：Deeplearning4j的定型以集群进行。神经网络通过迭代化简平行定型，可以在Hadoop/YARN以及Spark上运行。Deeplearning4j还与Cuda内核集成，进行纯GPU操作，可使用分布式GPU运行。
用于机器学习的Canova向量化库：Canova可将各类文件格式和数据类型向量化，所用的输入/输出格式系统近似于Hadoop的MapReduce。Canova目前仍在开发中，设计目标是实现CSV、图像、声音、文本和视频的向量化。Canova可以从命令行使用。 版本0.4.0之后，Canova库已合并到 DataVec当中。

2、DL4J的几个模块

DL4J：用于构建具有各种层（包括自定义层）的多层网络和计算图的高级 API。支持从 h5 导入 Keras 模型，包括 tf.keras 模型（截至 1.0.0-beta7），还支持在 Apache Spark 上进行分布式训练；
ND4J：通用线性代数库，包含超过 500 种数学、线性代数和深度学习运算。 ND4J 基于高度优化的 C++ 代码库 LibND4J，通过 OpenBLAS、OneDNN (MKL-DNN)、cuDNN、cuBLAS 等库提供 CPU (AVX2/512) 和 GPU (CUDA) 支持和加速；
SameDiff ： 作为ND4J 库的一部分，SameDiff 是我们的自动微分/深度学习框架。 SameDiff 使用基于图形（定义然后运行）的方法，类似于 TensorFlow 图形模式。 Eager graph (TensorFlow 2.x eager/PyTorch) 图执行计划。 SameDiff 支持导入 TensorFlow 冻结模型格式 .pb (protobuf) 模型。计划导入 ONNX、TensorFlow SavedModel 和 Keras 模型。 Deeplearning4j 还具有完整的 SameDiff 支持，可以轻松编写自定义层和损失函数；
DataVec：用于各种格式和文件（HDFS、Spark、图像、视频、音频、CSV、Excel 等）的机器学习数据的 ETL；
LibND4J：支撑一切的 C++ 库。有关 JVM 如何访问本机数组和操作的更多信息，请参阅 JavaCPP；

深度学习框架Deeplearning4j的安装

git clone https://github.com/eclipse/deeplearning4j

硬件要求
Java（开发者版7或更新版本（仅支持64位版本）
Apache Maven
IntelliJ IDEA（建议）或Eclipse
Git

深度学习框架Deeplearning4j的简使用方法

1、Deeplearning4J 定义LeNet卷积神经网络

MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder()
                .seed(seed)
                .l2(0.0005)
                .weightInit(WeightInit.XAVIER)
                .updater(new Adam(1e-3))
                .list()
                .layer(new ConvolutionLayer.Builder(5, 5)
                        .stride(1,1)
                        .nOut(20)
                        .activation(Activation.IDENTITY)
                        .build())
                .layer(new SubsamplingLayer.Builder(PoolingType.MAX)
                        .kernelSize(2,2)
                        .stride(2,2)
                        .build())
                .layer(new ConvolutionLayer.Builder(5, 5)
                        .stride(1,1)
                        .nOut(50)
                        .activation(Activation.IDENTITY)
                        .build())
                .layer(new SubsamplingLayer.Builder(PoolingType.MAX)
                        .kernelSize(2,2)
                        .stride(2,2)
                        .build())
                .layer(new DenseLayer.Builder().activation(Activation.RELU)
                        .nOut(500).build())
                .layer(new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD)
                        .nOut(outputNum)
                        .activation(Activation.SOFTMAX)
                        .build())
                .setInputType(InputType.convolutionalFlat(28,28,1))
                .build();