本文適合有 JAVA 基礎的人群

作者：DJL-Lanking

HelloGitHub 推出的《講解開源項目》系列。有幸邀請到了亞馬遜 + Apache 的工程師：Lanking，為我們講解 DJL —— 完全由 Java 構建的深度學習平臺。

介紹

許多年以來，一直都沒有為 Java 量身定制的深度學習開發平臺。用戶必須要進行繁雜的項目配置，構建 class 才能最終打造出屬于 Java 的深度學習應用。在那之后，依舊要面臨著依賴項匹配維護等各種麻煩的問題。為了解決這個這個痛點，亞馬遜開源了 Deep Java Library (DJL)

項目地址：https://github.com/awslabs/djl/

官網：https://djl.ai/

一個完全使用 Java 構建的深度學習平臺。DJL 的開發者們也為它量身定制了各種有意思的運行環境，用戶只需要少量配置，甚至直接在線就可以在 Java 上運行深度學習應用。

為了簡化 Java 開發人員在深度學習上的痛點，我們推出了 DJL 未來實驗室計劃：致力于打造一個極簡的 Java 運行環境，創造屬于 Java 自己的深度學習工具箱。你可以輕松在線使用，或者離線使用它們來構建你的深度學習應用。我們的目標是，將深度學習更好的貼近 Java 開發者。

下面將介紹能夠讓你快速上手 DJL 的在線嘗試地址或工具。

在線編譯：Block Runner

在線嘗試：https://djl.ai/website/demo.html

Block Runner 設計十分簡單，它可以直接幫助你在線編譯 Java 深度學習代碼。如上所示，你只需點擊 Run 就可以執行這些代碼。我們提供了多種深度學習引擎供你選擇。你可以輕松的在上面完成簡單的深度學習運算以及推理任務。當你在構建完成之后，直接點擊 Get Template 就可以獲得一份直接在本地就能運行的 gradle 項目。所有的環境都已經配置好了，用編輯器打開就可以跑簡單舉一個例子，如下是使用 Apache MXNet 模型構建的一份圖片分類應用代碼，你可以直接復制到在線編輯器：

import ai.djl.inference.*;
import ai.djl.modality.*;
import ai.djl.modality.cv.*;
import ai.djl.modality.cv.transform.*;
import ai.djl.modality.cv.translator.*;
import ai.djl.repository.zoo.*;
import ai.djl.translate.*;
String modelUrl = "https://alpha-djl-demos.s3.amazonaws.com/model/djl-blockrunner/mxnet_resnet18.zip?model_name=resnet18_v1";
Criteria<Image, Classifications> criteria = Criteria.builder()    .setTypes(Image.class, Classifications.class)    .optModelUrls(modelUrl)    .optTranslator(ImageClassificationTranslator.builder()            .addTransform(new Resize(224, 224))
            .addTransform(new ToTensor())
            .optApplySoftmax(true).build())
    .build();ZooModel<Image, Classifications> model = ModelZoo.loadModel(criteria);Predictor<Image, Classifications> predictor = model.newPredictor();String imageURL = "https://raw.githubusercontent.com/awslabs/djl/master/examples/src/test/resources/kitten.jpg";
Image image = ImageFactory.getInstance().fromUrl(imageURL);predictor.predict(image);

在運行后，你會獲得如下結果：

[
    class: "n02123045 tabby, tabby cat", probability: 0.41073
    class: "n02124075 Egyptian cat", probability: 0.29393
    class: "n02123159 tiger cat", probability: 0.19337
    class: "n02123394 Persian cat", probability: 0.04586
    class: "n02127052 lynx, catamount", probability: 0.00911
]

最后，你可以直接點擊 Get Template 在本地運行。是不是很簡單！現在這個組建支持 Apache MXNet/PyTorch/TensorFlow 三個后端引擎，后續還會增加更多的支持。

實現層面上，我們使用了 CodeMirror 在線編輯器以及 SpringBoot 進行后端托管。想了解更多，歡迎參閱實現代碼。

在線終端工具：JShell

在線嘗試：https://djl.ai/website/demo.html#jshell

JShell 是一個 JShell 的改版，包含了 DJL 的特性。你可以直接集成已有的 Java 功能和 DJL 的 class 在線使用。我們為 JShell 提前準備了下面的引入:

import ai.djl.ndarray.NDManager;
import ai.djl.ndarray.NDArray;
import ai.djl.ndarray.types.Shape;
import ai.djl.ndarray.index.NDIndex;
NDManager manager = NDManager.newBaseManager();

后端是基于 SpringBoot 的 server 架構，前端使用了 xtermjs。

目前這個命令行支持如下操作:

backspace刪除輸入
<- 和 -> 移動光標
復制/粘貼代碼功能
輸入clear進行清屏操作

通過網頁中提供的幾種簡單案例，你可以輕松使用 NDArray 來完成你所需要的功能。

想了解我們是如何構建這個 JShell 應用的，請看實現代碼。

Java 版的 Jupyter Notebook

地址：https://github.com/awslabs/djl/tree/master/jupyter

什么？Jupyter Notebook？我們難道說的不是 Python？不！100% 純 Java11。

通過 Spencer Park’s IJava 項目啟發, 我們將 DJL 集成在了 Jupyter Notebook 里面。不需要繁雜的配置，直接啟動就能用。我們準備了一系列使用 Jupyter Notebook 構建的 Java 深度學習訓練以及推理應用 Notebook。想了解更多就點擊這里吧。

Java 版本的 Notebook 可以基本實現所有 Jupyter 在 Python 上的特性：

支持每個代碼塊獨立運行
展示一張圖片
利用 Tablesaw 展示一個圖表

相比于 Python，Java 的 Notebook 可以直接引入 Maven 的庫，這樣用戶就無需擔心項目配置等問題。同時這個 Notebook 也支持在 GPU 環境下運行，你可以輕松使用 Notebook 進行深度學習訓練任務。

通過下面幾個 Notebook 可以幫助你快速了解 DJL 的用法以及新特性：

使用 ModelZoo 進行目標檢測
加載 PyTorch 預訓練模型
加載 Apache MXNet 預訓練模型
遷移學習案例
問答系統案例

P.S：我們甚至還準備了基于 Java 的深度學習書，現在還處于預覽版階段，敬請期待。

關于 DJL 以及未來實驗室計劃

DJL 還是一個很年輕的框架，2019 年底發布，2020 年 3 月才真正支持了所有主流的深度學習框架 (TensorFlow、PyTorch MXNet)。你可以輕松的使用 DJL 來訓練以及部署你的深度學習模型。它也包含了 70 多種來自 GluonCV、HuggingFace、TorchHub 以及 Keras 的預訓練模型。

關于未來實驗室：我們仍舊還有很多功能處于開發階段，需要大量小伙伴去參與并且體驗我們的新功能。下面是幾個正在進行中的項目：