? 博主简介：历代文学网（PC端可以访问：https://literature.sinhy.com/#/literature?__c=1000，移动端可微信小程序搜索“历代文学”）总架构师，15年工作经验，精通Java编程，高并发设计，Springboot和微服务，熟悉Linux，ESXI虚拟化以及云原生Docker和K8s，热衷于探索科技的边界，并将理论知识转化为实际应用。保持对新技术的好奇心，乐于分享所学，希望通过我的实践经历和见解，启发他人的创新思维。在这里，我希望能与志同道合的朋友交流探讨，共同进步，一起在技术的世界里不断学习成长。
Java Deeplearning4j：NDArray数据结构
在Java生态系统中，DeepLearning4J（DL4J）是一个强大的深度学习库，它提供了丰富的工具和数据结构来支持深度学习模型的构建和训练。其中，NDArray是DL4J中的核心数据结构之一，用于表示多维数组，类似于Python中NumPy的ndarray，如下图所示：
本文将系统化地介绍Deeplearning4j中NDArray数据结构的使用，包括相关的Maven依赖引入、关键概念、附带代码示例以及详细的注释。
1. 引言
1.1 什么是NDArray？
NDArray 顾名思义，表示任意维度的数组。NDArray是DeepLearning4J中的多维数组数据结构，用于存储和操作多维数据。它是DL4J中所有计算的核心，类似于NumPy中的ndarray。NDArray支持各种数学运算、广播操作、切片、索引等功能，是构建和训练深度学习模型的基础。
NDArray 的设计初衷就是为了能够处理各种不同维度的数据。它可以是一维的向量，比如存储一组特征值；也可以是二维的矩阵，常见于图像数据（其中行可以表示图像的像素行，列可以表示不同的颜色通道或特征）；甚至可以是更高维度的张量，用于处理复杂的深度学习任务，如卷积神经网络中多通道的图像数据和多个滤波器的组合。
1.2 NDArray的重要性？
在深度学习中，理解NDArray是非常重要的。它是数据预处理、模型构建、训练和评估的基础。通过掌握NDArray，你可以更高效地进行数据操作和模型开发，从而提升深度学习项目的开发效率和质量。
2. Maven依赖
在开始学习NDArray之前，首先需要在你的Java项目中引入DeepLearning4J的依赖。以下是相关的Maven依赖配置：
<dependencies> <!-- DeepLearning4J Core --> <dependency> <groupId>org.deeplearning4j</groupId> <artifactId>deeplearning4j-core</artifactId> <version>1.0.0-M1.1</version> </dependency> <!-- ND4J: NDArray的底层实现 --> <dependency> <groupId>org.nd4j</groupId> <artifactId>nd4j-native-platform</artifactId> <version>1.0.0-M1.1</version> </dependency> <!-- DeepLearning4J的依赖 --> <dependency> <groupId>org.nd4j</groupId> <artifactId>nd4j-api</artifactId> <version>1.0.0-M1.1</version> </dependency> <!-- 其他必要的依赖 --> <dependency> <groupId>org.slf4j</groupId> <artifactId>slf4j-api</artifactId> <version>1.7.30</version> </dependency> <dependency> <groupId>org.slf4j</groupId> <artifactId>slf4j-simple</artifactId> <version>1.7.30</version> </dependency></dependencies>2.1 依赖说明
deeplearning4j-core: 这是DeepLearning4J的核心库，包含了深度学习模型的构建和训练所需的所有功能。nd4j-native-platform: ND4J的底层实现，提供了高效的NDArray操作。native-platform表示使用本地库来加速计算。nd4j-api: ND4J的API库，包含了NDArray等数据结构的定义和操作方法。slf4j-api 和 slf4j-simple: 用于日志记录，帮助调试和跟踪程序的执行。 3. NDArray的基本概念
3.1 创建NDArray
NDArray可以通过多种方式创建，包括从数组、列表、随机数生成等。以下是一些常见的创建方法：
import org.nd4j.linalg.factory.Nd4j;import org.nd4j.linalg.api.ndarray.INDArray;public class NDArrayCreationExample { public static void main(String[] args) { // 创建一个全零的NDArray，形状为(3, 3) INDArray zeros = Nd4j.zeros(3, 3); System.out.println("Zeros:\n" + zeros); // 创建一个全一的NDArray，形状为(2, 2) INDArray ones = Nd4j.ones(2, 2); System.out.println("Ones:\n" + ones); // 创建一个随机NDArray，形状为(3, 3) INDArray random = Nd4j.rand(3, 3); System.out.println("Random:\n" + random); // 从Java数组创建NDArray double[][] data = {{1, 2, 3}, {4, 5, 6}}; INDArray fromArray = Nd4j.create(data); System.out.println("From Array:\n" + fromArray); }}3.2 NDArray的形状和维度
NDArray的形状（shape）表示数组的维度信息。例如，一个形状为(3, 3)的NDArray表示一个3x3的二维数组。
public class NDArrayShapeExample { public static void main(String[] args) { INDArray array = Nd4j.create(new double[][]{{1, 2, 3}, {4, 5, 6}}); // 获取NDArray的形状 long[] shape = array.shape(); System.out.println("Shape: " + java.util.Arrays.toString(shape)); // 获取NDArray的维度 int rank = array.rank(); System.out.println("Rank: " + rank); }}3.3 NDArray的索引和切片
NDArray支持类似于NumPy的索引和切片操作，可以方便地访问和修改数组中的元素。
public class NDArrayIndexingExample { public static void main(String[] args) { INDArray array = Nd4j.create(new double[][]{{1, 2, 3}, {4, 5, 6}, {7, 8, 9}}); // 获取单个元素 double element = array.getDouble(1, 2); // 获取第二行第三列的元素 System.out.println("Element at (1, 2): " + element); // 获取子数组（切片） INDArray slice = array.get(NDArrayIndex.point(1), NDArrayIndex.all()); // 获取第二行的所有元素 System.out.println("Slice:\n" + slice); // 修改元素 array.putScalar(0, 0, 10); // 将第一行第一列的元素修改为10 System.out.println("Modified Array:\n" + array); }}3.4 NDArray的数学运算
NDArray支持各种数学运算，包括加法、减法、乘法、除法、矩阵乘法等。
public class NDArrayMathExample { public static void main(String[] args) { INDArray a = Nd4j.create(new double[][]{{1, 2}, {3, 4}}); INDArray b = Nd4j.create(new double[][]{{5, 6}, {7, 8}}); // 加法 INDArray sum = a.add(b); System.out.println("Sum:\n" + sum); // 减法 INDArray difference = a.sub(b); System.out.println("Difference:\n" + difference); // 乘法 INDArray product = a.mul(b); System.out.println("Product:\n" + product); // 矩阵乘法 INDArray matmul = a.mmul(b); System.out.println("Matrix Multiplication:\n" + matmul); }}3.5 NDArray的广播
广播（Broadcasting）是NDArray中的一个重要概念，允许不同形状的数组进行算术运算。广播规则类似于NumPy中的规则。
public class NDArrayBroadcastingExample { public static void main(String[] args) { INDArray a = Nd4j.create(new double[][]{{1, 2}, {3, 4}}); INDArray b = Nd4j.create(new double[]{10, 20}); // 广播加法 INDArray broadcastSum = a.add(b); System.out.println("Broadcast Sum:\n" + broadcastSum); }}4. 高级功能
4.1 NDArray的转置
转置（Transpose）是将数组的行和列进行交换的操作。
public class NDArrayTransposeExample { public static void main(String[] args) { INDArray array = Nd4j.create(new double[][]{{1, 2, 3}, {4, 5, 6}}); // 转置 INDArray transposed = array.transpose(); System.out.println("Transposed:\n" + transposed); }}4.2 NDArray的拼接
拼接（Concatenation）是将多个数组沿指定轴连接在一起的操作。
public class NDArrayConcatenationExample { public static void main(String[] args) { INDArray a = Nd4j.create(new double[][]{{1, 2}, {3, 4}}); INDArray b = Nd4j.create(new double[][]{{5, 6}, {7, 8}}); // 沿行拼接 INDArray concatenated = Nd4j.concat(0, a, b); System.out.println("Concatenated along rows:\n" + concatenated); // 沿列拼接 INDArray concatenatedCols = Nd4j.concat(1, a, b); System.out.println("Concatenated along columns:\n" + concatenatedCols); }}4.3 NDArray的归约操作
归约操作（Reduction Operations）是对数组进行聚合操作，如求和、求平均值、求最大值等。
public class NDArrayReductionExample { public static void main(String[] args) { INDArray array = Nd4j.create(new double[][]{{1, 2, 3}, {4, 5, 6}}); // 求和 double sum = array.sumNumber().doubleValue(); System.out.println("Sum: " + sum); // 求平均值 double mean = array.meanNumber().doubleValue(); System.out.println("Mean: " + mean); // 求最大值 double max = array.maxNumber().doubleValue(); System.out.println("Max: " + max); }}5. 总结
本文系统化地介绍了DeepLearning4J中的NDArray数据结构，包括其基本概念、创建方法、索引和切片、数学运算、广播、转置、拼接和归约操作。通过掌握这些内容，你可以高效地进行数据操作和深度学习模型的开发。
6. 参考资料
DeepLearning4J官方文档: https://deeplearning4j.org/docs/latest/ND4J官方文档: https://nd4j.org/userguideNumPy官方文档: https://numpy.org/doc/stable/DeepLearning4J GitHub仓库: https://github.com/eclipse/deeplearning4j通过本文的学习，你应该能够系统化地掌握NDArray的使用，并将其应用于实际的深度学习项目中。希望本文对你有所帮助！