rede de Lei Feng pela AI Yanxishe : Aprendizagem profunda é uma das áreas de mais rápido crescimento da inteligência artificial, Google, Facebook, Microsoft e outros gigantes concentraram-se em uma série de novos projectos de investimento em todo o profundidade de aprendizagem, têm vindo a apoiar uma série de open source quadro de aprendizagem profunda. quadro de aprendizagem profundidade atualmente usado por pesquisadores têm TensorFlow, Torch, Caffe, Theano, Deeplearning4j etc., Deeplearning4j é um dos poucos a baseada em JVM Java /, perfeitamente combinado com Apache Spark, suporte para cluster de CPU / GPU da computação distribuída framework open-source. Este artigo veio a descobrir mais sobre a estrutura de aprendizagem profundidade componente chave Deeplearning4j dos exemplos de operação e de uso em diferentes compartilham ambientes.

rede de Lei Feng no futuro próximo AI Yanxishe sessões de compartilhamento on-line, engenheiro algoritmo sênior de tecnologia de busca Suning Tesco R & D departamento Wan Gong Xi introduzir um quadro Deeplearning4 constituição, os principais módulos de função com exemplos sobre o uso específico.

link de reprodução de vídeo: http: //www.mooc.ai/open/course/333

Mestre Wan Gong Xi Universidade de Suzhou, agora trabalhando Suning Tesco pesquisa de tecnologia de pesquisa e desenvolvimento, o trabalho de desenvolvimento de aplicações no domínio do processamento de linguagem natural, de visão de máquina e assim por diante. Abrir fonte familiarizada com o quadro de aprendizagem profundidade como Deeplearning4j, Keras e assim por diante.

O seguinte é a principal compartilhamento de conteúdo:

tema Compartilhar: apresentação baseada em ações com exemplos de código-fonte aberto Java quadro -Deeplearning4j de aprendizagem profunda. (

Compartilhe conteúdo pode ser resumido em quatro áreas:

• Introdução Deeplearning4j ecossistema módulos principais

• Deeplearning4j Single / Paralela / Distribuída Introdução a modelagem

• Deeplearning4j à aprendizagem de transferência, aprendizagem suporte aprimorado

• desenvolvimento de aplicações baseadas classificação imagem Forma Mnist conjunto de dados, implantação, exemplos de-line em

A primeira parte é uma biblioteca específica DL4j fundo open source, a equipe de suporte está atualmente no andamento do projeto e para trás.

A segunda ecossistema parte DL4j, ecossistema apresenta os mais importantes três módulos: o próprio DL4j, que depende do orçamento da biblioteca tensor ND4j, DL4j que fazer biblioteca de dados ETL DataVec.

-se DL4j, que elaborem e apliquem arquitetura de rede neural mais clássico, como imagens da rede neural convolução mais comumente usados. Máquina necessidades aprender a confiar em um quadro operacional tensor para DL4j, ele se baseou em ND4j um tal quadro, libnd4j é um ND4j chamada biblioteca.

Modelo Zoo é alcançar uma estrutura de rede neural clássico dado oficial. Incluindo AlexNet, GoogLenet, DeepFace, YOLO assim por diante. Modle Zoo anteriores à versão 0.9.0 como um projeto independente existe, versões posteriores 0.9.0 si DL4j como um módulo já embutidos nela.

DL4j depende tensor ND4J biblioteca aritmética, ND4j pode ser usado como versão Java do Numpy.

ND4j situação gerenciamento de memória:

ND4j memória externa usando pilha de memória e da memória da pilha de duas porções calculada em conformidade. Ao usar ND4j para declarar uma quantidade específica de folhas de tempo, ele é armazenado na pilha de memória fora os objetos tensor, lojas de memória heap apenas o objeto tensor. A razão é projetado principalmente bibliotecas de cálculo tensor contamos com a maioria das operações estão no espaço de pilha na memória fora, de fora os dados para a memória heap pode melhorar a eficiência operacional.

Note-se, faça treinar a rede neural com ND4j, certifique-se de memória sintonia fora pilha é muito grande, porque uma grande parte do trabalho é feito no cálculo adequado fora tensor pilha de memória. memória heap é muito maior do que a memória heap externo.

exemplo específico ND4j, o primeiro é como criar um tensor e tensor colocar isso em ordem para imprimir o armazenamento subjacente.

O segundo produto é hadmard alcançado. É uma explicação simples, duas folhas da posição que a quantidade correspondente de um produto, o resultado deste novo vector é formada como um resultado da utilização da peça, em esta operação inclui uma convolução é comumente utilizado acima.

biblioteca de dados ETL, chamado DataVec, sua principal função é a de sinais de voz, arquivos de imagem, documentos de texto em um formulário tensor para ETL de dados.

Resumo papel da biblioteca DataVec: ele pode ser convertido para se tornar dados não estruturados processados tipo de tensor de dados, também suporta a leitura de dados estruturados.

Como modelar a terceira parte. Três cenários, o primeiro é um modelo stand-alone local; a segunda é mais de uma pluralidade de CPU ou GPU caso do cartão como fazer modelagem paralelo; ea terceira é como fazer faísca distribuídos ligação modelo DL4j modelagem.

Modelando quatro etapas não é fixo, o processamento pode ser feito de forma flexível de acordo com a situação real. Em primeiro lugar, a idéia geral é gerar um tal treinamento, testes, conjunto de dados de validação.

modelo local único, dados primeira carga (incluindo dados locais e os dados de teste), seguidos por uma estrutura modelo de ultra-configuração e parâmetros, e inicializa os parâmetros do modelo. Finalmente, para treinar o modelo de rede neural, e os dados de uso de teste definida para avaliação.

paralelismo de dados:

Paralelo modelada como mostrado na FIG:

Faísca modelagem combinados e como fazer um modelo distribuído de Dp4j:

Faísca quer desenvolver acima dos estudantes, necessidade para a versão faísca prestar atenção porque o suporte DL4j versões posteriores 1.5, 1.6, bem como 2.0. Quadro perto da versão 1.0, realmente não é muito originais faísca apoio ecológico, o Spark combinado DL4j e é um dos destaques.

A quarta parte é um módulo de aprendizado por reforço, chamado RL4j, que é um componente do ecossistema.

aprendizagem de transferência e de reforço de aprendizagem em apoio do caso DL4j:

exemplos de aplicações específicas para compartilhar:

Sobre o resumo Deeplearning4j:

sentimentos e experiências pessoais em fazer áreas AI:

• aprendizado de máquina AI é a solução principal, mas não a única solução.

• aprendizagem profunda não é uma panacéia para dados não estruturados: imagens, texto, voz, haverá bons resultados, mas a máquina tradicional modelos de aprendizagem é igualmente importante.

• A qualidade e quantidade de dados em aplicações práticas em conjunto a capacidade de generalização do modelo.

• AI também pode iniciar a transição da Olá Mundo.

• AI aumentar a força interna deve ser proficiente em princípio, não apenas correu para fora de demonstração.

• Não ser limitado a um quadro de ferramenta específica, você pode aprender um do outro.

• aprendizagem transferência e reforço de aprendizagem pode representar o futuro da AI.

Se você quer aprender mais sobre a aplicação da lâmina de aprender como fazer o desenvolvimento, como treinar seu modelo, como ajustar, como implantar click on-line no seguinte vídeo pode rever esta questão.

classes da Escola AI Mu Lei Feng rede de vídeo link de reprodução: http: //www.mooc.ai/open/course/333