【专知-Deeplearning4j深度学习教程01】分布式Java开源深度学习框架DL4j安装使用: 图文+代码- 专知

会员服务 ·

【专知-Deeplearning4j深度学习教程01】分布式Java开源深度学习框架DL4j安装使用: 图文+代码

Hujun

点击上方“专知”关注获取更多AI知识!

【导读】主题链路知识是我们专知的核心功能之一，为用户提供AI领域系统性的知识学习服务，一站式学习人工智能的知识，包含人工智能（机器学习、自然语言处理、计算机视觉等）、大数据、编程语言、系统架构。使用请访问专知进行主题搜索查看 - 桌面电脑访问www.zhuanzhi.ai, 手机端访问www.zhuanzhi.ai 或关注微信公众号后台回复" 专知"进入专知，搜索主题查看。继Pytorch教程后，我们推出面向Java程序员的深度学习教程DeepLearning4J。Deeplearning4j的案例和资料很少，官方的doc文件也非常简陋，基本上所有的类和函数的都没有解释。为此，我们推出来自中科院自动化所专知小组博士生Hujun创作的-分布式Java开源深度学习框架Deeplearning4j学习教程，第一篇，Deeplearning4j配置使用。

Deeplearning4j开发环境配置
ND4J（DL4J的矩阵运算库）教程
基于DL4J的CNN、AutoEncoder、RNN、Word2Vec等模型的实现

简介

Deeplearning4j是由SkyMind公司开源的分布式Java/Scala深度学习框架，支持在CPU或GPU上运行。

组件

Deeplearning4j提供了非常强大的生态，大致可以分为：

DataVec: 支持数据（文本、图像、音频、视频）的清洗、拼接、归一化、转换等操作，是Deeplearning4j的数据预处理组件。类似Python的Pandas组件
ND4J: 科学计算组件，主要是矩阵运算（支持CPU和GPU）。类似Python的numpy。
Deeplearning4j: 深度学习组件，封装了各种深度学习模型，包括全连接层、卷积层、RBM层等。支持传统的多层网络(MultiLayerNetwork)，也支持复杂网络的定制(Computation Graph)。
Deeplearning4j UI: 可视化组件，类似Tensorflow的TensorBoard。可以用于可视化网络结构，以及网络训练中变量的监控。

实例

Deeplearning4j提供了非常便捷的深度模型定制功能，例如定制LeNet（一种卷积网络）的代码如下：

 MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder()
                .iterations(1000) 
                .regularization(true).l2(0.0005)
                .learningRate(.01)
                .optimizationAlgo(OptimizationAlgorithm.STOCHASTIC_GRADIENT_DESCENT)
                .list()
                .layer(0, new ConvolutionLayer.Builder(5, 5)
                        .nIn(nChannels)
                        .stride(1, 1)
                        .nOut(20)
                        .activation(Activation.IDENTITY)
                        .build())
                .layer(1, new SubsamplingLayer.Builder(SubsamplingLayer.PoolingType.MAX)
                        .kernelSize(2,2)
                        .stride(2,2)
                        .build())
                .layer(2, new ConvolutionLayer.Builder(5, 5)
                        .stride(1, 1)
                        .nOut(50)
                        .activation(Activation.IDENTITY)
                        .build())
                .layer(3, new SubsamplingLayer.Builder(SubsamplingLayer.PoolingType.MAX)
                        .kernelSize(2,2)
                        .stride(2,2)
                        .build())
                .layer(4, new DenseLayer.Builder().activation(Activation.RELU)
                        .nOut(500).build())
                .layer(5, new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD)
                        .nOut(outputNum)
                        .activation(Activation.SOFTMAX)
                        .build())
                .setInputType(InputType.convolutionalFlat(28,28,1)) 
                .backprop(true).pretrain(false).build();

虽然相比于tensorflow、keras等Python深度学习框架中卷积网络的定制，上面的代码闲的略微繁琐，但在编写代码时，各种长变量名、函数名都会由IDE自动提示，所以在编写Deeplearning4j模型时，并不会感觉到工作量的增加。

选择Deeplearning4j的一个理由，是它对复杂网络的定制也有很好的支持，例如下图中的网络有两个输出：

Deeplearning4j对应的模型代码为：

ComputationGraphConfiguration conf = new NeuralNetConfiguration.Builder()
        .learningRate(0.01)
        .graphBuilder()
        .addInputs("input")
        .addLayer("L1", new DenseLayer.Builder().nIn(3).nOut(4).build(), "input")
        .addLayer("out1", new OutputLayer.Builder()
                .lossFunction(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD)
                .nIn(4).nOut(3).build(), "L1")
        .addLayer("out2", new OutputLayer.Builder()
                .lossFunction(LossFunctions.LossFunction.MSE)
                .nIn(4).nOut(2).build(), "L1")
        .setOutputs("out1","out2")
        .build();

模型

Github上有许多现成的Deeplearning4j模型，如AlexNet、VGG、ResNet等，例如:

许多较新的模型由Tensorflow、Keras、Caffe等框架编写，Deeplearning4j提供了一种使用这些模型的机制。Tensorflow、Caffe等框架的模型都可以被转换为Keras模型，Deeplearning4j内置了Keras模型导入的支持，因此Deeplearning4j可以支持大部分流行深度学习框架模型的导入。

安装

Deeplearning4j的配置非常的简单，直接在Maven中加入deeplearning4j-core和对应版本的ndj4(CPU或GPU)的依赖即可:

deeplearning4j-core: https://mvnrepository.com/artifact/org.deeplearning4j/deeplearning4j-core
ndj4(CPU版): https://mvnrepository.com/artifact/org.nd4j/nd4j-native
nd4j(GPU版):

Cuda7.5: https://mvnrepository.com/artifact/org.nd4j/nd4j-cuda-7.5
Cuda8.0: https://mvnrepository.com/artifact/org.nd4j/nd4j-cuda-8.0

最后

Deeplearning4j社区一直在努力地改进这款优秀的深度学习框架。我在很久之前用过Deeplearning4j，由于其当时不成熟的接口导致的不良的开发体验而放弃DL4J而转向其他框架，几个月后又重新使用了新版的Deeplearning4j，发现以前那些不成熟的接口（例如对于错误的提示、一些冗余的配置）都在新版本中被修复了，DL4J逐渐变成了一个非常成熟的产品，使得Java开发者可以在项目中真正使用基于Java的深度学习框架，而不是去利用微服务之类蹩脚的方法去调用那些Python深度学习框架。

最后配几张Deeplearning4j UI的截图，调试深度学习模型时，数据的可视化还是很重要的：