深度學習 | 後浪 Python 熱力無限，前浪 Java 仍大有可爲

最近幾年，深度學習的爆發帶來了一個讓不少人不曾預料到的結果：Python 這個曾經小衆的語言忽然間變得煊赫一時了。不管資深開發者、計算機專業學生、編程入門新手，甚至地產大佬，都對這個語言表示出極大的熱忱。

究其緣由，在 Python 生態中咱們能夠容易地找到各種實用資源。例如用於數據計算的 NumPy、用於數據可視化的 Matplotlib，以及 MXNet、PyTorch、TensorFlow 等一衆深度學習框架。相比之下，儘管 Java 還是最流行的語言之一，擁有爲數衆多的開發者，尤爲在企業市場擁有最普遍的應用基礎，但實際上咱們很難找到合適的，用於深度學習的 Java 工具或框架。現有爲數很少的工具仍存在諸多不足，例如易用性不高，使用的還是「低級」API，綁定於具體的深度學習框架，缺少框架無關的特性等。

2020年2月的 TIOBE 程序語言指數（來源：https://www.tiobe.com/tiobe-i... ）

2019年 StackOverflow 開發人員調查結果（來源https://insights.stackoverflo... ）

那麼深度學習領域就和 Java 這個前浪完全無緣了？那也未必！

Deep Java Library 來了

Deep Java Library（簡稱 DJL）是一個於2019年12月初的 AWS re:Invent 大會上首次發佈的新項目。簡單來講，DJL 是一個使用 Java API 簡化模型訓練、測試、部署和使用深度學習模型進行推理的開源庫深度學習工具包，開源的許可協議是 Apache-2.0。

對於 Java 開發者而言，能夠在 Java 中開發及應用原生的機器學習和深度學習模型，同時簡化了深度學習開發的難度。經過 DJL 提供的直觀、高級的 API，Java 開發人員能夠訓練本身的模型，或利用數據科學家用 Python 預先訓練好的模型來進行推理。若是您剛好是對學習深度學習感興趣的 Java 開發者，那麼 DJL 無疑將是開始深度學習應用的一個最好的起點。

DJL 是在現有深度學習框架的基礎上使用原生 Java 概念構建的的開發庫。它爲開發者提供了深度學習的最新創新和使用前沿硬件的能力，例如GPU、MKL 等。簡單的 API 抽象並簡化了開發深度學習模型所涉及的複雜性，使得這個新的框架更易於學習和應用。有了 Model-zoo 中綁定的預訓練模型集，開發者能夠當即開始將深度學習的 SOTA 成果集成到 Java 應用當中。

總所周知，Java 的設計思想有這樣的一句：「Write once, run anywhere」（WORE）。一樣，DJL 的設計目標也設定爲不依賴於具體的引擎和深度學習框架，能夠隨時切換框架。原則上，開發人員能夠基於 DJL 編寫能在任何引擎上運行的代碼。DJL 目前提供了 Apache MXNet 的實現，預期 TensorFlow 與 PyTorch 的支持也將在不久後發佈。從目前的實現來看，DJL 使用了 JNA（Java Native Access）來實現 Apache MXNet 操做的調用。

DJL 提供了對於基礎環境的管理。爲了保證最佳的性能，提供了基於硬件配置的自動 CPU/GPU 選擇。DJL 提供了對多 GPU 的支持，能夠自動檢測是否有可用的 GPU。若是 GPU 可用，它將默認運行在一個 GPU 上，除非程序中制定使用的 GPU 數量。

在模型的訓練期間，若是但願在多個 GPU 上進行訓練，或但願限制使用 GPU 的數量（對於較小的數據集，可能但願限制 GPU 的數量），則必須經過設置設備來配置 TrainingConfig。例如，若是有8個可用 GPU，而且但願訓練器在5個 GPU 上進行訓練，可進行以下配置：

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));

對於 Java 開發者而言，DJL 的 API 抽象了用於開發模型的經常使用函數，使得 Java 開發人員可以利用現有的知識簡化向機器學習以及深度學習的轉換。相信這一點應該是 Java 開發者最但願看到的。關於 DJL 的抽象架構咱們能夠經過下圖進行理解：

來源：https://miro.medium.com/max/3472/1*ju6OsZqhpAHTnhFHDp4DXQ.png

Deep Java Library 的使用

計算機視覺（CV）是目前深度學習發展最爲成熟的領域。其中，目標檢測是一種與計算機視覺和圖像處理相關的計算機技術，用於在數字圖像和視頻中檢測某一類語義對象（如人、建築物或汽車）的實例。目標檢測在計算機視覺的許多領域都有應用，包括圖像檢索和視頻監控。

接下來，咱們將展現一個目標檢測的例子，體驗一下 DJL 的實際表現。該模型使用來自 DJL 的 Model-zoo 的預先訓練 Single Shot Detector（SSD）模型，可幫助咱們從圖像中識別西雅圖海鷹隊（一支職業美式橄欖球球隊）的隊員。

要將DJL用於應用程序項目，可使用 IntelliJ IDEA 建立 gradle 項目，並將如下內容添加到 build.gradle 配置中。

源代碼：https://gist.github.com/vrake...

接下來咱們就用這張含橄欖球員的圖片進行處理。

來源：Offered under Apache-2.0 license on Gluon-CV

針對這張圖片使用下面的這段代碼來進行推理。這段代碼從 Model-zoo 加載一個 SSD 模型，而後從模型中建立一個預測器，並使用 predict 函數來識別圖像中的對象。而後經過一個 helper utility 函數在檢測到的對象周圍畫上框線。

源代碼：https://gist.github.com/vrakesh/0faacec9e9f8d88c4cb96c8ae812493a#file-simplessdinference-java

這段代碼標識出圖像中的三個橄欖球運動員，並將結果保存爲工做目錄下的圖片文件 ssd.png。

代碼自己並不長，理解起來也比較容易。咱們能夠很容易地進行調整，能夠測試來自 Model-zoo 的其餘模型或針對本身的須要做出改變。可是 DJL 帶來的但樂趣遠不止如此。咱們還可使用問題問答模型來訓練本身的智能化應用，或者使用圖像分類模型來識別雜貨架上的商品等等。在 DJL 的 GitHub 上有更多有意思的例子。

最後，若是本文能讓你對 DJL 產生興趣，也別忘了 DJL 的三個最有趣的特性：

• 框架無關
• 爲 Java 開發者而準備
• 易於開發部署

感興趣的童鞋能夠點擊這裏進一步瞭解 DJL。另外在實際體驗時須要注意：DJL 須要 JDK 8（或更高版本）。建議使用 JDK8，由於 JDK 11 +存在一些已知的問題，包括 SpotBugs 與 JDK 11 +不兼容等。若是使用 JDK 11+，SpotBugs 將沒法執行。另外還請注意，目前 DJL 尚不支持分佈式模型訓練。