Lei Feng réseau par AI Yanxishe : L'apprentissage en profondeur est l'une des croissances les plus rapides domaines de l'intelligence artificielle, Google, Facebook, Microsoft et d'autres géants se sont concentrés sur un certain nombre de nouveaux projets d'investissement autour de la profondeur de l'apprentissage, ils ont soutenu un certain nombre d'open source cadre d'apprentissage profond. cadre d'apprentissage en profondeur actuellement utilisé par les chercheurs ont tensorflow, Torch, Caffe, Théano, Deeplearning4j etc., Deeplearning4j est l'un des rares à Java / JVM basée, de façon transparente combinée avec Apache Spark, prise en charge pour le cluster CPU / GPU de calcul distribué framework open source. Cet article est venu pour en savoir plus sur le composant clé de cadre d'apprentissage en profondeur Deeplearning4j des exemples d'exploitation et d'utilisation dans différents environnements part.

Lei Feng réseau dans un avenir proche AI Yanxishe sessions de partage en ligne, ingénieur de l'algorithme principal de Suning Tesco technologie de recherche R & D Département Wan Gong Xi à introduire une constitution cadre Deeplearning4, les principaux modules de fonction avec des exemples sur l'utilisation spécifique.

lien de lecture vidéo: http: //www.mooc.ai/open/course/333

Maître Wan Gong Xi Université de Suzhou, la recherche et le développement de la technologie de recherche Suning Tesco travaille maintenant, le travail de développement d'applications dans le domaine du traitement du langage naturel, la vision de la machine et ainsi de suite. Open Source familier avec le cadre de l'apprentissage en profondeur, comme Deeplearning4j, Keras et ainsi de suite.

Ce qui suit est le partage de contenu principal:

thème de l'action: présentation en actions avec des exemples de framework Java open source -Deeplearning4j d'apprentissage en profondeur. (

Partager le contenu peut se résumer dans les quatre domaines suivants:

• Introduction Deeplearning4j écosystème modules principaux

• Deeplearning4j simple / parallèle / modélisation distribuée Présentation

• Deeplearning4j à l'apprentissage de transfert, l'apprentissage amélioré de soutien

• classification d'image application de développement basé ensemble de données Mode Mnist, le déploiement, des exemples de mise en ligne

La première partie est un arrière-plan spécifique bibliothèque open source DL4j, l'équipe de soutien est actuellement en cours du projet et derrière.

La deuxième partie de l'écosystème DL4j, écosystème introduit trois modules les plus importants: DL4j lui-même, il dépend du budget bibliothèque tenseur ND4j, DL4j qui font la bibliothèque de données ETL DataVec.

DL4j lui-même, qui définit et met en uvre l'architecture de réseau de neurones plus classiques tels que des images de la convolution plus couramment utilisé réseau de neurones. les besoins d'apprentissage machine à compter sur un cadre opérationnel tenseur pour DL4j, il comptait sur ND4j un tel cadre, libnd4j est une bibliothèque appel ND4j.

Modèle Zoo est d'obtenir une structure de réseau de neurones classique donnée officielle. Y compris AlexNet, GoogLenet, Deepface, YOLO ainsi de suite. Modle Zoo avant la version 0.9.0 comme un projet indépendant existe, les versions ultérieures 0.9.0 DL4j lui-même comme un module déjà en germe en elle.

DL4j dépend tenseur ND4J bibliothèque d'arithmétique, ND4j peut être utilisé en tant que version JAVA de Numpy.

ND4j situation de gestion de la mémoire:

une mémoire externe en utilisant ND4j segment de mémoire et la mémoire de tas de deux portions calculées en conséquence. Lorsque vous utilisez ND4j de déclarer une quantité spécifique de feuilles de temps, il est stocké dans le tas de mémoire en dehors des objets tenseurs, mémoire stocke les tas que l'objet tenseur. La raison est principalement conçu bibliothèques de calcul du tenseur nous comptons sur la plupart des opérations sont dans l'espace de tas sur la mémoire à l'extérieur, en dehors des données dans la mémoire de tas peut améliorer l'efficacité opérationnelle.

Il convient de noter, faire former le réseau de neurones avec ND4j, assurez-vous de tas mémoire air extérieur est très important, parce que beaucoup de travail est effectué dans le calcul du tenseur de l'extérieur de segment de mémoire approprié. la mémoire est Heap beaucoup plus grande que la mémoire de tas externe.

exemple spécifique ND4j, la première est de savoir comment créer un tenseur et tenseur mettre ceci afin d'imprimer le stockage sous-jacent.

Le deuxième produit est hadmard atteint. Il est une explication simple, deux feuilles de la position ne le montant correspondant d'un produit, le résultat de ce nouveau vecteur est formé à la suite de l'utilisation de la pièce, dans cette opération comprend une convolution est couramment utilisé ci-dessus.

bibliothèque de données ETL, appelé DataVec, sa fonction principale est de signaux vocaux, des fichiers d'images, documents texte en une forme de tenseur pour ETL de données.

Résumé rôle de la bibliothèque DataVec: il peut être converti pour devenir des données non structurées traitées type de tenseur de données, supporte également la lecture des données structurées.

Comment modéliser la troisième partie. Trois scénarios, le premier est un modèle autonome local, le second est plus d'une pluralité de cas processeur ou carte GPU comment faire de la modélisation en parallèle, et le troisième est de savoir comment faire distribuer modèle de liaison Spark DL4j la modélisation.

La modélisation de quatre étapes est pas fixe, le traitement peut être effectué de manière flexible en fonction de la situation réelle. Tout d'abord, l'idée générale est de générer une telle formation, les tests, ensemble de données de validation.

modèle local à l'unité, les premières données de charge (y compris des données locales et des données d'essai), suivi de la structure du modèle ultra-configuration et les paramètres, et initialise les paramètres du modèle. Enfin, pour former le modèle de réseau de neurones, et les données de test d'utilisation établies pour l'évaluation.

parallélisme des données:

Parallèlement modélisé comme représenté sur la figure:

Spark modélisation combinée et comment faire un modèle distribué de Dp4j:

Spark souhaite développer au-dessus des étudiants, doivent faire attention version Spark parce que le soutien DL4j versions ultérieures 1.5, 1.6 ainsi que 2.0. Cadre proche de la version 1.0, est vraiment pas beaucoup Spark soutien écologique d'origine, Spark combinée DL4j et il est l'un des points forts.

La quatrième partie est un module d'apprentissage par renforcement, appelé RL4j, qui est un composant de l'écosystème.

l'apprentissage et le renforcement transfert de l'apprentissage à l'appui de l'affaire DL4j:

Exemples d'application spécifiques à partager:

A propos de résumé Deeplearning4j:

sentiments et expériences personnelles dans les zones faisant AI:

• l'apprentissage automatique AI est la principale solution, mais pas la seule solution.

• l'apprentissage en profondeur ne sont pas une panacée pour les données non structurées: les images, le texte, la voix, il y aura de bons résultats, mais les modèles d'apprentissage machine traditionnelle est tout aussi important.

• La qualité et la quantité de données dans les applications pratiques déterminent ensemble la capacité de généralisation du modèle.

• AI peut également commencer la transition de Bonjour tout le monde.

• AI améliorer la résistance interne doit être compétent en principe, non seulement a manqué de démonstration.

• Ne pas se limiter à un cadre d'outil spécifique, vous pouvez apprendre les uns des autres.

• l'apprentissage de transfert et l'apprentissage de renforcement peuvent représenter l'avenir de la grippe aviaire.

Si vous voulez en savoir plus sur l'application de la profondeur de l'apprentissage comment faire le développement, la manière de former son modèle, comment régler, comment déployer cliquez en ligne sur la vidéo suivante peut examiner cette question.

Les classes AI Mu Lei lien de lecture vidéo réseau Feng: http: //www.mooc.ai/open/course/333