Deeplearning4j【基础 01】初识Java深度学习框架DL4J

初识Java深度学习框架DL4J

1.起因2.简介3.组件3.1 Deeplearning4j/ScalNet3.1.1 Deeplearning4jf（Java）3.1.2 ScalNet（Scala） 3.2 ND4J/LibND4J3.3 SameDiff3.4 DataVec3.5 Arbiter3.6 RL4J 4.总结
内容来自网络，基于官方文档【 Deeplearning4j】、知乎【 DL4J开发者社区】、OSCHINA【 Deeplearning4j 分布式深度学习库】、科普中国·科学百科【 Deeplearning4j】等文章进行整理，简化了一些信息并通过深度学习菜鸟 我这个人形GPT〒_〒的思维方式进行阐述。

1.起因

LLM如火如荼地影响着整个互联网应用，AI也成为焦点，之前的大数据分析似乎热度过去了，大家都想学点儿ML，但是Python、GPU不是都具备的。DL4J可以在JVM上运行，拥有了Java语言的一切优点，且支持GPU和大数据组建集成，不用担心性能和可扩展性。由于是小白，需要进行基础知识的补充，这里整理一下分享给大家。

2.简介

Deeplearning4j是当前最大、最流行的基于JAVA的深度学习框架，正式诞生于2013年，在2017年加入Eclipse基金会，由美国的Skymind开源并维护。

支持神经网络模型的构建、模型训练和部署；能够与现有大数据生态进行无缝衔接（Hadoop、Spark等），也是可以原生态支持分布式模型训练的框架之一；支持多线程；跨平台（硬件：CUDA GPU，x86，ARM，PowerPC；操作系统：Windows/Mac/Linux/Android）。

小结一下：模型构建、模型训练和部署一条龙，兼容性强，多线程，跨平台（特别注意Android平台，支持端侧模型）？

3.组件

Deeplearning4j实际上是一堆项目，旨在支持基于 JVM 的深度学习应用程序的所有需求。除了 Deeplearning4j 本身（高级 API），它还包括：

Deeplearning4j/ScalNet：JVM和Spark上运行神经网络构建、训练和部署的基础框架库；ND4J/libND4J：支持CPU/GPU加速的高性能数值计算库，可以说是JVM上的Numpy；SameDiff：用于符合微分和计算图库；DataVec：数据处理库，提供采样、过滤、变换等操作；Arbiter：神经网络超参数搜索和优化库；RL4J：JVM上的强化学习库；Model Import：模型导入库，可以导入ONNX，TensorFlow，Keras(Caffe)模型；Jumpy：ND4J对应Python语言API；Python4j：可以在JVM里运行Python脚本语言。

3.1 Deeplearning4j/ScalNet

前向神经网络（Feedforward Neural Networks, FNN）自动编码器（AutoEncoders）卷积神经网络（Convolutional Neural Networks, CNN）循环神经网络（Recurrent Neural Networks ,RNN)生成对抗网络（Generative Adversarial Networks）递归神经网络（Recursive Neural Network ）深度信念网络（Deep Belief Networks）和受限制玻尔兹曼机（Restricted Boltzmann Machines）图神经网络（Graph Neural Networks）

3.1.1 Deeplearning4jf（Java）

神经网络高层API库，用于构建具有各种层的多层神经网络（MultiLayerNetworks）和计算图（ComputationGraphs），支持从其他框架导入模型和在Apache Spark上进行分布式训练

3.1.2 ScalNet（Scala）

ScalNet是受Keras启发而为Deeplearning4j开发的Scala语言包装。它通过Spark在多个GPU上运行。功能相当于Keras。
Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。

3.2 ND4J/LibND4J

ND4J是Deeplearning4j的数值处理库和张量库，在JVM中实现Numpy的功能：

Java科学运算引擎，用来驱动矩阵操作；JavaCPP功能: Java 到 Objective-C 的桥，可像其他 Java 对象一样来使用 Objective-C 对象；CPU 后瑞：OpenMP、OpenBlas 或 MKL、与SIMD的扩展；GPU 后瑞：最新CUDA 及 CuDNN。

包含500多种数学、线性代数和神经网络操作。

3.3 SameDiff

SameDiff是具有自动微分功能的张量计算库，其自动微分方法是基于静态图的方法，提供神经网络运算中更为底层的接口，主要用于自定义神经网络拓扑结构。
另外，SameDiff支持导入Tensorflow冻结模型格式的.pd（protobuf）模型。对ONNX、TensorFlow SaveModel和Keras模型的导入正在完善中。可以简单的认为SameDiff和DL4J的关系类似于Tensorflow和Keras。
符合微分和计算图库是深度学习中的两个关键概念：

符合微分（Automatic Differentiation，简称AD） 符合微分是一种计算梯度的技术，用于优化神经网络中的参数。在神经网络训练过程中，我们需要计算损失函数对模型参数的梯度，以便使用梯度下降等优化算法来更新参数。符合微分通过构建计算图并自动计算每个节点的梯度，使得梯度计算变得高效且不容易出错。常见的深度学习框架（如TensorFlow、PyTorch和Deeplearning4j）都使用符合微分来实现反向传播算法。 计算图库 计算图是一种表示复杂计算过程的图结构，其中节点表示操作（例如加法、乘法、激活函数等），边表示数据流。计算图库用于构建、管理和执行计算图。在深度学习中，计算图用于描述神经网络的前向传播和反向传播过程。

3.4 DataVec

神经网络专门处理多维数组形式的数值数据。DataVec可以将来自一个CSV文件或一批图像的数据序列化，转换为数值数组。数据的摄取、清理、联接、缩放、标准化和转换是开展任何类型的数据分析时都必须完成的工作。是深度学习的先决条件。DataVec是专为这一流程设计的工具包。数据科学家和开发人员可以用其中的工具将图像、视频、声音、文本和时间序列等原始数据转变为特征向量，输入神经网络。

数据的的 ETL （抽取、转换、装载）和向量化；DataVec帮助克服机器学习及深度学习实现过程中最重大的障碍之一：将数据转化为神经网络能够识别的格式；DataVec使用Apache Spark来进行转换运算。

整体流程如下：

同时，DataVec也支持所有主要类型的输入（CSV、文本、图像、音频、视频和数据库）整体流程如下：

除了明显提供经典数据格式的读取器，DataVec还提供了一个接口用来摄取特定的自定义数据。

3.5 Arbiter

Arbiter帮助您搜索超参数空间，为神经网络寻找最理想的参数组合及架构。这非常重要，因为寻找恰当的架构和超参数是一个很大的组合问题。来自微软研发部等企业实验室的ImageNet大赛获胜团队正是通过搜索超参数空间才得出了ResNet这样的150层神经网络：

深度学习模型检测、评估器；调整及优化机器学习模型；使用Grid search和Random Search 作超参数寻优；arbiter-core：Aribter-core用网格搜索等算法来搜索超参数空间。它会提供一个GUI界面。arbiter-deeplearning4j：Arbiter可以同DL4J模型互动。在进行模型搜索时，您需要能运行模型。这样可以对模型进行试点，进而找出最佳的模型。

3.6 RL4J

RL4J是在Java中实现深度Q学习、A3C及其他强化学习算法的库和环境，与DL4J和ND4J相集成。

4.总结

简而言之，Deeplearning4j 能够让你从各类浅层网络（其中每一层在英文中被称为layer）出发，设计深层神经网络。这一灵活性使用户可以根据所需，在分布式、生产级、能够在分布式 CPU 或 GPU 的基础上与 Spark 和 Hadoop 协同工作的框架内，整合受限玻尔兹曼机、其他自动编码器、卷积网络或递归网络。此处为我们已经建立的各个库及其在系统整体中的所处位置：