- 综合排序
- 最热优先
- 最新优先
- 来自专栏实战docker
DL4J实战之一：准备
关于DL4J DL4J是Deeplearning4j的简称，是基于Java虚拟机的深度学习框架，是用java和scala开发的，已开源，官网：https://deeplearning4j.org/ 关于 《DL4J实战》系列 《DL4J实战》是欣宸在深度学习领域的原创，旨在通过一系列动手操作，由浅入深了解深度学习的基本知识，掌握通用操作，并且对DL4J逐渐熟练，进而在学习和工作中解决实际问题 本篇概览 作为《DL4J实战》系列的开篇，本文为后面的文章和实战做好准备工作，包含以下内容： 确定环境和版本信息 创建名为dl4j-tutorials的maven工程作为父工程，后面整个系列的代码都是dl4j-tutorial 该项目源码的仓库地址，https协议 git仓库地址(ssh) git@github.com:zq2599/blog_demos.git 该项目源码的仓库地址，ssh协议 这个git项目中有多个文件夹，《DL4J ：1.0.0-beta7 《DL4J实战》系列源码的公用父工程 《DL4J实战》系列的源码都放置在同一个父工程下，除了管理代码方便，还可以将各个子工程的依赖库版本统一管理，接下来创建这个父工程； 新建名为
56520编辑于 2021-12-07 - 来自专栏用户2442861的专栏
DL4J与Torch、Theano、Caffe、TensorFlow的比较
https://deeplearning4j.org/cn/compare-dl4j-torch7-pylearn Deeplearning4j不是第一个开源的深度学习项目，但与此前的其他项目相比，DL4J DL4J是基于JVM、聚焦行业应用且提供商业支持的分布式深度学习框架，其宗旨是在合理的时间内解决各类涉及大量数据的问题。 这正是DL4J被NASA的喷气推进实验室所采用的原因之一。此外，Deeplearning4j为多芯片运行而优化，支持采用CUDA C的x86和GPU。 虽然Torch7和DL4J都采用并行运行，DL4J的并行运行是自动化的。 关于DL4J与其他框架的不同之处，也许只需要尝试一下就能有深入的体会。 机器学习框架 上文提到的深度学习框架都是比较专业化的框架，此外还有许多通用型的机器学习框架。
2.4K20发布于 2018-09-19 - 来自专栏实战docker
DL4J实战之四：经典卷积实例(GPU版本)
本篇概览 作为《DL4J实战》的第四篇，今天咱们不写代码，而是为今后的实战做些准备：在DL4J框架下用GPU加速深度学习的训练过程； 如果您电脑上有NVIDIA显卡，并且成功的安装了CUDA，那么就随本文一起实际操作吧 ，全文由以下内容构成： 软硬件环境参考信息 DL4J的依赖库和版本 使用GPU的具体操作步骤 GPU训练和CPU训练对比 软硬件环境参考信息 众所周知，欣宸是个穷人，因此带NVIDIA显卡的电脑就是一台破旧的联想笔记本 相关信息如下： 操作系统：Ubuntu16桌面版 显卡型号：GTX950M CUDA：9.2 CPU：i5-6300HQ 内存：32G DDR4 硬盘：NvMe 1T 实际证明，以上配置可以顺利运行《DL4J 咱们先去中央仓库看看DL4J核心库的版本情况，如下图，最新的版本已经到了1.0.0-M1： 再看看CUDA 9.1对应的nd4j库的版本情况，如下图红框，最新的是2018年的1.0.0-beta，与核心库差距太大了 nd4j-cuda-9.2-platform</artifactId> <version>1.0.0-beta6</version> </dependency> java代码就不在这里贴出了，用的是《DL4J
48220编辑于 2021-12-07 - 来自专栏along的开发之旅
从源码看DL4J中Native BLAS的加载,以及配置
最近在用DeepLearning4J(DL4J)尝试语音识别的深度学习,git DL4J的代码,用IntelliJ IDEA打开,配置好相关依赖后,运行包org.deeplearning4j.examples.test.Test dll,假设叫a.dll,如果a.dll又依赖于b.dll和c.dll,那么把a.dll,b.dll,c.dll都放在Java识别的路径下,是不是就可以解决这个问题了. 1.dll的存放路径和名称 先看DL4J
1.5K30发布于 2018-08-02 - 来自专栏实战docker
DL4J实战之二：鸢尾花分类
本篇概览 本文是《DL4J》实战的第二篇，前面做好了准备工作，接下来进入正式实战，本篇内容是经典的入门例子：鸢尾花分类 下图是一朵鸢尾花，我们可以测量到它的四个特征：花瓣（petal）的宽和高，花萼（sepal 该项目源码的仓库地址，https协议 git仓库地址(ssh) git@github.com:zq2599/blog_demos.git 该项目源码的仓库地址，ssh协议 这个git项目中有多个文件夹，《DL4J n" + eval.stats()); } } 编码完成后，运行main方法，可见顺利完成训练并输出了评估结果，还有混淆矩阵用于辅助分析： 至此，咱们的第一个实战就完成了，通过经典实例体验的DL4J
61620编辑于 2021-12-07 - 来自专栏实战docker
DL4J实战之三：经典卷积实例(LeNet-5)
本篇概览 作为《DL4J》实战的第三篇，目标是在DL4J框架下创建经典的LeNet-5卷积神经网络模型，对MNIST数据集进行训练和测试，本篇由以下内容构成： LeNet-5简介 MNIST简介 数据集简介 -> S4 -> C5 -> F6 -> OUTPUT 这张图更加清晰明了（原图地址：https://cuijiahua.com/blog/2018/01/dl_3.html），能够很好的指导咱们在DL4J 版本 《DL4J实战》系列的源码采用了maven的父子工程结构，DL4J的版本在父工程dlfj-tutorials中定义为1.0.0-beta7 本篇的代码虽然还是dlfj-tutorials的子工程， 但是DL4J版本却使用了更低的1.0.0-beta6，之所以这么做，是因为下一篇文章，咱们会把本篇的训练和测试工作交给GPU来完成，而对应的CUDA库只有1.0.0-beta6 扯了这么多，可以开始编码了 该项目源码的仓库地址，https协议 git仓库地址(ssh) git@github.com:zq2599/blog_demos.git 该项目源码的仓库地址，ssh协议 这个git项目中有多个文件夹，《DL4J
79440编辑于 2021-12-07 - 来自专栏实战docker
DL4J实战之五：矩阵操作基本功
本篇概览 作为《DL4J实战》系列的第五篇，在前面对深度学习有一定的了解后，本篇会暂停深度学习相关的操作，转为基本功练习：矩阵操作，即INDArray接口的基本用法 INDArray的类图如下，由于 该项目源码的仓库地址，https协议 git仓库地址(ssh) git@github.com:zq2599/blog_demos.git 该项目源码的仓库地址，ssh协议 这个git项目中有多个文件夹，《DL4J
1.2K30编辑于 2021-12-07 《Java开发者进击之路：掌握Spring AI与DL4J，实现AI模型API集成》
DL4J作为专门为Java和Scala环境量身定制的开源深度学习库，在Java开发者进行深度学习模型开发和训练的道路上扮演着重要角色。 DL4J与Java生态系统中的其他工具和库具有出色的兼容性。 此外，DL4J与Spring Boot等流行的Java框架集成也非常方便，这使得开发者能够在熟悉的企业级开发框架中，轻松构建深度学习应用。 要实现Spring AI与DL4J的整合，需要对两者的架构和功能有深入的理解。 掌握Spring AI和DL4J进行AI模型API集成，是Java开发者在人工智能时代提升自我竞争力的必备技能。
34010编辑于 2025-06-10- 来自专栏实战docker
DL4J实战之六：图形化展示训练过程
本篇概览 本篇是《DL4J实战》系列的第六篇，咱们继续夯实基本功，这次学习的是如何更加形象完整的展示训练过程：图形化页面，效果如下图所示： 接下来选择一个已有的子工程，为其增加图形化界面的效果，我这里选的是 《DL4J实战之三：经典卷积实例(LeNet-5)》一文中的simple-convolution子工程 总的来说本篇由以下内容构成： 基本的图形化功能 图形化数据的持续存储问题 图形化页面的端口配置问题
71220编辑于 2021-12-07 - 来自专栏有三AI
【DL4J速成】Deeplearning4j图像分类从模型自定义到测试
编辑 | 胡郡郡 言有三 1 Deeplearning4j(DL4J)是什么 不同于深度学习广泛应用的语言Python，DL4J是为java和jvm编写的开源深度学习库，支持各种深度学习模型。 DL4J最重要的特点是支持分布式，可以在Spark和Hadoop上运行，支持分布式CPU和GPU运行。DL4J是为商业环境，而非研究所设计的，因此更加贴近某些生产环境。 2 DL4J训练准备 2.1 DL4J安装 系统要求： Java：开发者版7或更新版本（仅支持64位版本） Apache Maven：Maven是针对Java的项目管理工具，兼容IntelliJ等IDE ，可以让我们轻松安装DL4J项目库 IntelliJ IDEA (建议)或 Eclipse Git 官方提供了很多DL4J的示例。 4 可视化 DL4J提供的用户界面可以在浏览器中看到实时的训练过程。
2K20发布于 2019-07-26 - 来自专栏AI研习社
Java工程师转型AI的秘密法宝：深度学习框架Deeplearning4j | 回顾
第一部分内容具体为DL4j的开源库背景，目前的项目进展情况和背后的支撑团队。 ? 第二部分为DL4j的生态圈，主要介绍生态圈中最重要的三个模块：DL4j本身，它所依赖的张量预算库ND4j、DL4j当中做数据ETL的库DataVec。 DL4j本身，它定义并且实现了比较经典的神经网络结构，比如图片中比较常用的卷积神经网络。 Modle Zoo在0.9.0版本之前是作为一个独立的工程存在的，0.9.0之后的版本作为DL4j本身的一个模块，已经嵌入进去。 想要在Spark上面开发的同学，需要注意Spark的版本，因为DL4j支持1.5、1.6 还有2.0之后的版本。
1.9K70发布于 2018-03-16 - 来自专栏专知
【下载】深度学习DL4j实战指南《Deep Learning—A Practitioner's Approach》
快速上手深度学习方法，这本书的目标是使深度学习大众化，利用DL4J进行一系列深度学习实战，并且介绍了在Spark和Hadoop上使用DL4J进行深度学习开发的教程。 接下来的五章将从这些概念出发，利用DL4J进行一系列深度学习实战： 构建深度网络； 先进的优化技术； 不同数据类型的矢量化； 在Spark上运行深度学习工作流。 本书中名称DL4J和Deeplearning4j是相同的。这两个术语都是指Deeplearning4j库中的一套工具。 第8章回顾了矢量化技术以及如何使用DataVec（DL4J的ETL和矢量化工作流工具）的基础知识。 主题包括： 人工智能； 在DL4J项目中使用Maven； 利用GPUs； 使用ND4J的API； 更多…。 谁是“从业者”？ 今天，“数据科学”这个术语并没有清晰的定义，经常以不同的方式使用。
1.8K40发布于 2018-04-11 - 来自专栏大数据-BigData
Deeplearning4j介绍
总览 Deeplearning4j（DL4J）是第一个基于Java和Scala的具有商业化水平、完全开源和支持分布式的深度学习库。 DL4J可以整合到Hadoop和Apache Spark里面并同时支持分布式GPUs和CPUs，它把AI带到了商业化环境中。 DL4J官网：https://deeplearning4j.org 基本特性 ⭐ 分布式：DL4J利用了包括Apache Spark和Hadoop在内的最新分布式计算框架来加速训练。
1.2K20编辑于 2022-01-19 - 来自专栏AI研习社
Java 工程师转型 AI 的秘密法宝——深度学习框架 Deeplearning4j | 回顾
第一部分内容具体为 DL4j 的开源库背景，目前的项目进展情况和背后的支撑团队。 ? 第二部分为 DL4j 的生态圈，主要介绍生态圈中最重要的三个模块：DL4j 本身，它所依赖的张量预算库 ND4j、DL4j 当中做数据 ETL 的库 DataVec。 DL4j 本身，它定义并且实现了比较经典的神经网络结构，比如图片中比较常用的卷积神经网络。 Modle Zoo 在 0.9.0 版本之前是作为一个独立的工程存在的，0.9.0 之后的版本作为 DL4j 本身的一个模块，已经嵌入进去。 想要在 Spark 上面开发的同学，需要注意 Spark 的版本，因为 DL4j 支持 1.5、1.6 还有 2.0 之后的版本。
1.4K40发布于 2018-03-16 - 来自专栏AI研习社
资深算法工程师万宫玺：Java 工程师转型 AI 的秘密法宝——深度学习框架 Deeplearning4j | 分享总结
第一部分内容具体为 DL4j 的开源库背景，目前的项目进展情况和背后的支撑团队。 ? 第二部分为 DL4j 的生态圈，主要介绍生态圈中最重要的三个模块：DL4j 本身，它所依赖的张量预算库 ND4j、DL4j 当中做数据 ETL 的库 DataVec。 DL4j 本身，它定义并且实现了比较经典的神经网络结构，比如图片中比较常用的卷积神经网络。 Modle Zoo 在 0.9.0 版本之前是作为一个独立的工程存在的，0.9.0 之后的版本作为 DL4j 本身的一个模块，已经嵌入进去。 想要在 Spark 上面开发的同学，需要注意 Spark 的版本，因为 DL4j 支持 1.5、1.6 还有 2.0 之后的版本。
1.2K100发布于 2018-03-16 - 来自专栏新智元
开源深度学习平台 TensorFlow、Caffe、MXNet……哪个最适合你
【新智元导读】本文选自开源深度学习项目 Deeplearning4j （DL4J）博客，文章虽然着重介绍自家产品，但内容仍然值得借鉴。与其他项目相比，DL4J 在编程语言和宗旨两方面都独具特色。 Deeplearning4j （简称 DL4J）不是第一个开源的深度学习项目，但与此前的其他项目相比，DL4J 在编程语言和宗旨两方面都独具特色。 DL4J 是基于 JVM、聚焦行业应用且提供商业支持的分布式深度学习框架，其宗旨是在合理的时间内解决各类涉及大量数据的问题。 虽然 Torch7 和 DL4J 都采用并行运行，DL4J 的并行运行是自动化的。 DL4J：生态系统 生态系统也是为 Java 增添人气的优势之一。
5.1K60发布于 2018-03-26 - 来自专栏从0开始学Go
你听说过 DeepLearning4J吗 · 属于我们Java Coder深度学习框架
由于 DL4J 运行在 JVM 上，你可以使用 Java、Scala、Kotlin、Clojure 等多种 JVM 语言。 DL4J的特点Java原生支持：DL4J专为Java开发者设计，能够方便地与Java生态系统中的其他工具进行集成。GPU加速：通过与CUDA的集成，DL4J能够在支持GPU的机器上显著提高训练速度。 分布式计算：DL4J可以与大数据框架（如Hadoop和Spark）配合使用，支持分布式训练。 DL4J 生态系统的组件DL4J：提供用于构建 MultiLayerNetworks 和 ComputationGraphs 的高层 API，支持多种层（包括自定义层），可以导入 Keras 模型，并支持在 探索DL4J与Apache Spark的集成，进行大规模数据处理和分布式训练。
3.1K20编辑于 2025-01-16 - 来自专栏java一日一条
如何开始使用 Java 机器学习
让机器运转为了更简单的阐述，我们决定选出3个项目帮助你开始： 1.Deeplearning4J (DL4J)–开源，分布式，JVM的商业深度学习lib库 2.BID Data Project–能够运行快速 DL4J – 深度学习 DL4J是一个能帮助你配置多层神经网络的工具。它为JVM提供了深度学习且伴随快速原型设计和大规模定制，同时注重比配置更多的约定。 DL4J 是由Java语言编写的，可以兼容任何JVM语言比如 Clojure, Scala, ,Kotlin，并且可以与Hadoop和Spark集成。 这是使用DL4J的开源平台，用来为用户简化预测分析过程。 创建一个新的神经网络如同创建一个新项目一样容易。
71730发布于 2019-04-25 - 来自专栏java一日一条
如何开始使用 Java 机器学习
让机器运转为了更简单的阐述，我们决定选出3个项目帮助你开始： 1.Deeplearning4J (DL4J)–开源，分布式，JVM的商业深度学习lib库 2.BID Data Project–能够运行快速 DL4J – 深度学习 DL4J是一个能帮助你配置多层神经网络的工具。它为JVM提供了深度学习且伴随快速原型设计和大规模定制，同时注重比配置更多的约定。 DL4J 是由Java语言编写的，可以兼容任何JVM语言比如 Clojure, Scala, ,Kotlin，并且可以与Hadoop和Spark集成。 这是使用DL4J的开源平台，用来为用户简化预测分析过程。 创建一个新的神经网络如同创建一个新项目一样容易。
88020发布于 2019-03-11 - 来自专栏专知
【专知-Deeplearning4j深度学习教程02】用ND4J自己动手实现RBM: 图文+代码
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 本文主要讲解Deeplearning4j 的矩阵运算库ND4J的使用，考虑到这是第二篇教程，因此还介绍了DL4J配置等内容，全文组织如下： Deeplearning4j的配置 ND4J简介及接口简介 RBM（受限玻尔兹曼机）简介 自己动手用ND4J 实现RBM 配置Deeplearning4j 对于有N卡且希望使用GPU的开发者，请先安装Cuda8.0或Cuda7.5，希望在CPU上运行DL4J的可忽略此步骤。 mvnrepository.com/artifact/org.nd4j/nd4j-cuda-8.0 CPU: https://mvnrepository.com/artifact/org.nd4j/nd4j-native GPU: DL4J mvnrepository.com/artifact/org.slf4j/slf4j-log4j12 最后，在Maven工程的src/main/resources中添加log4j.properties文件，否则会导致DL4J
2.5K100发布于 2018-04-09
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号