深度学习4j

EclipseDeeplearning4j是一个用Java编写的用于Java虚拟机（JVM）的编程库。它是一个对深度学习算法有广泛支持的框架。

Deeplearning4j包括限制性玻尔兹曼机、深度信念网、深度自动编码器、堆叠去噪自动编码器和递归神经张量网络、word2vec、doc2vec和GloVe的实现。

这些算法都包括分布式并行版本，与ApacheHadoop和Spark集成。

Deeplearning4j是在Apache许可证2.0下发布的开源软件，主要由总部设在旧金山的机器学习小组开发。它得到了创业公司Skymind的商业支持，该公司将DL4J、TensorFlow、Keras和其他深度学习库捆绑在一个名为Skymind智能层的企业版中。

Deeplearning4j依赖于广泛使用的编程语言Java，尽管它与Clojure兼容，并包括一个Scala应用编程接口（API）。它由自己的开源数值计算库ND4J驱动，并与中央处理器（CPU）和图形处理单元（GPU）一起工作。

Deeplearning4j已经被用于一些商业和学术应用中。该代码托管在GitHub上。Gitter上有一个支持论坛。该框架是可组合的，这意味着浅层神经网络，如限制性玻尔兹曼机、卷积网络、自动编码器和递归网络可以相互添加，以创建不同类型的深度网络。它还拥有广泛的可视化工具和计算图。

Deeplearning4j的分布式训练发生在一个集群中。神经网络通过迭代还原进行并行训练，这在Hadoop-YARN和Spark上是可行的。

Deeplearning4j还与CUDA内核集成，进行纯GPU操作，并与分布式GPU一起工作。

Deeplearning4j包括一个使用ND4J的n维数组类，允许在Java和Scala中进行科学计算，类似于NumPy为Python提供的功能。它实际上是基于生产环境中的线性代数和矩阵操作的库。

用于机器学习的DataVec矢量化库DataVec使用类似于Hadoop使用的MapReduce的输入/输出格式系统对各种文件格式和数据类型进行矢量化；也就是说，它将各种数据类型变成了被称为矢量的标量列。DataVec被设计用来对CSV、图像、声音、文本、视频和时间序列进行矢量化。

Deeplearning4j包括一个矢量空间建模和主题建模工具包，用Java实现，并与并行GPU集成以提高性能。它被设计用来处理大型文本集。

Deeplearning4j包括术语频率-反向文档频率（tf-idf）、深度学习、Mikolov的word2vec算法、doc2vec和GloVe的实现，在Java中重新实现和优化。

它依靠t分布式随机邻居嵌入（t-SNE）来实现词云的可视化。现实世界的用例和集成Deeplearning4j的现实世界用例包括网络入侵检测和网络安全、金融部门的欺诈检测、制造业等行业的异常检测、电子商务和广告的推荐系统以及图像识别。

Deeplearning4j已经与其他机器学习平台集成，如RapidMiner、Prediction.io和Weka。

Deeplearning4j使用SKIL（Skymind智能层）的免费开发者版本为生产中的推理提供机器学习模型。模型服务器服务于参数化的机器学习模型，对数据进行决策。它被用于机器学习工作流程的推理阶段，在数据管道和模型训练之后。

模型服务器是允许数据科学研究部署在现实世界生产环境中的工具。就像Web服务器对互联网的作用一样，模型服务器对人工智能也是如此。

网络服务器接收HTTP请求并返回有关网站的数据，而模型服务器接收数据，并返回有关该数据的决定或预测：例如，发送一张图片，模型服务器可能返回该图片的标签，识别照片中的人脸或动物。

SKIL模型服务器能够从Python框架中导入模型，如Tensorflow、Keras、Theano和CNTK，克服了部署深度学习模型的主要障碍。

Deeplearning4j在使用多个GPU进行非繁琐的图像识别任务时，速度与Caffe一样快。对于不熟悉JVM上的HPC的程序员来说，有几个参数必须调整以优化神经网络的训练时间。

这些参数包括设置堆空间、垃圾收集算法、采用堆外内存和预存数据（pickling），以便为Fa