听说这个深度学习工具包，可以拯救Java开发者？
前言
这几年深度学习的爆发带来了一个未曾预料到的结果，Python这个曾经小众的语言突然之间变得炙手可热。究其原因，在Python的生态中我们可以容易的找到许多的资源。例如，NumPy用于数据计算、Matplotlib用于数据可视化以及MXNet、PyTorch、TensorFlow等一众深度学习框架。相比之下，尽管Java语言仍是最流行的语言之一，拥有为数众多的开发者，尤其在企业市场拥有最广泛的应用基础，但事实上我们很难找到合适的用于深度学习的Java工具或者框架。现有的为数不多的工具仍存在着许多的不足，例如：易用性不高，使用的仍是“低级”的API；绑定于具体的深度学习框架，缺乏框架无关的特性等等。
2020年2月的TIOBE程序语言指数
StackOverflow开发人员的调查结果2019
Deep Java Library概述
这就要引出今天的主角Deep Java Library（简称DJL)。简单来说，DJL是一个使用Java API简化模型训练、测试、部署和使用深度学习模型进行推理的开源库深度学习工具包，开源的许可协议是Apache-2.0。对于Java开发者而言，可以在Java中开发及应用原生的机器学习和深度学习模型，同时简化了深度学习开发的难度。通过DJL提供的直观的、高级的API，Java开发人员可以训练自己的模型，或者利用数据科学家用Python预先训练好的模型来进行推理。如果您恰好是对学习深度学习感兴趣的Java开发者，那么DJL无疑将是开始深度学习应用的一个最好的起点。
???? 想要了解更多亚马逊云科技最新技术发布和实践创新，敬请关注在上海、北京、深圳三地举办的2021亚马逊云科技中国峰会！点击图片报名吧～
DJL是在现有深度学习框架的基础上使用原生Java概念构建的的开发库。它为开发者提供了深度学习的最新创新和使用前沿硬件的能力，例如GPU、MKL等。简单的API抽象并简化了开发深度学习模型所涉及的复杂性，使得这个新的框架更易于学习和应用。有了model-zoo中绑定的预训练模型集，开发者可以立即开始将深度学习的SOTA成果集成到Java应用当中。总所周知，JAVA的设计思想有这样的一句“Write once,run anywhere”(WORE)。同样，DJL的设计目标也设定为不依赖于具体的引擎和深度学习框架，可以随时切换框架。原则上，基于DJL开发人员可以编写在任何引擎上运行的代码。DJL目前提供了Apache MXNet的实现，预期TensorFlow与PyTorch的支持也将在不久后发布。从目前的实现来看，DJL使用了JNA(Java Native Access)来实现Apache MXNet操作的调用。
DJL 提供了对于基础环境的管理。为了保证最佳的性能，提供了基于硬件配置的自动CPU/GPU选择。DJL提供了对多GPUs的支持，可以自动检测是否有可用的GPU。如果GPU可用，它将默认运行在一个GPU上，除非程序中制定使用的GPU数量。
在模型的训练期间，如果希望在多个GPU上进行训练，或者希望限制使用GPU的数量(对于较小的数据集，您可能希望限制GPU的数量)，则必须通过设置设备来配置TrainingConfig。例如，如果您有8个可用的GPU，并且您希望训练器在5个GPU上进行训练，您可以如下配置它。
int maxNumberOfGpus = 5;
TrainingConfig config = new DefaultTrainingConfig(initializer, loss)
.setOptimizer(optimizer)
.addEvaluator(accuracy)
.setBatchSize(batchSize)
// Set the devices to run on multi-GPU
.setDevices(Device.getDevices(numberOfGpus));
对于Java开发者，DJL的API抽象了用于开发模型的常用函数，使得Java开发人员能够利用现有的知识简化向机器学习以及深度学习的转换。相信这一点应该是Java 开发者最希望看到的。关于DJL 的抽象架构我们可以通过下图进行理解。
Deep Java Library的使用
计算机视觉（CV）是目前深度学习发展最为成熟的领域。其中，目标检测是一种与计算机视觉和图像处理相关的计算机技术，用于在数字图像和视频中检测某一类语义对象(如人、建筑物或汽车)的实例。目标检测在计算机视觉的许多领域都有应用，包括图像检索和视频监控。接下来，我们来展示一个目标检测的例子，体验一下DJL的实际表现。该模型使用来自DJL的model-zoo的预先训练的Single Shot Detector（SSD）模型，帮助我们从图像中识别西雅图海鹰队（一支职业美式橄榄球球队）的队员。
要将DJL用于应用程序项目，可以使用IntelliJ IDEA来创建gradle项目，并将以下内容添加到build.gradle配置中。
接下来，我们就用这张含橄榄球员的图片进行处理。
针对这张图片使用下面的这一段代码来进行推理。这段代码从model-zoo加载一个SSD模型，然后从模型中创建一个预测器，并使用predict函数来识别图像中的对象。然后一个通过一个helper utility函数在检测到的对象周围画上框线。
这一段代码标识出图像中的三个橄榄球运动员，并将结果保存为工作目录下的图片文件ssd.png
这段代码的长度不大，理解起来也比较容易。我们可以很容易地进行调整，可以测试来自model-zoo的其他模型或者针对自己的需要作出改变。但是DJL 带来的但乐趣远不止如此。可以使用问题问答模型来训练您自己的智能化应用，或者使用图像分类模型来识别杂货架上的商品等等。
在DJL的github上有更多有意思的例子，https://github.com/awslabs/djl/tree/master/examples
最后，这个介绍能够让你DJL产生兴趣。此外，也请记住DJL 的三个最有意思的特性：
框架无关
为Java 开发者而准备
易于开发部署
注意：
项目地址 ：https://github.com/awslabs/djl
DJL需要JDK 8(或更高版本)。建议使用JDK 8，因为JDK 11+存在一些已知的问题。问题包括SpotBugs与JDK 11+不兼容。如果使用JDK 11+，SpotBugs将不会被执行。
目前DJL尚不支持分布式模型训练。
本篇作者
费良宏
亚马逊云科技首席开发者布道师
在过去的20多年一直从事软件架构、程序开发以及技术推广等领域的工作。他经常在各类技术会议上发表演讲进行分享，他还是多个技术社区的热心参与者。他擅长Web领域应用、移动应用以及机器学习等的开发，也从事过多个大型软件项目的设计、开发与项目管理。目前他专注与云计算以及互联网等技术领域，致力于帮助中国的 开发者构建基于云计算的新一代的互联网应用。
听说，点完下面4个按钮
就不会碰到bug了！
