亚马逊AWS官方博客

JAVA 程序员的 AI 工具箱 – Deep Java Library (DJL)

前言

这几年深度学习的爆发带来了一个未曾预料到的结果,Python 这个曾经小众的语言突然之间变得炙手可热。究其原因,在Python 的生态中我们可以容易的找到许多的资源。例如,NumPy用于数据计算、Matplotlib用于数据可视化以及MXNet、PyTorch、TensorFlow等一众深度学习框架。相比之下,尽管Java语言仍是最流行的语言之一,拥有为数众多的开发者,尤其在企业市场拥有最广泛的应用基础,但事实上我们很难找到合适的用于深度学习的Java工具或者框架。现有的为数不多的工具仍存在着许多的不足,例如:易用性不高,使用的仍是 “低级”的API;绑定于具体的深度学习框架,缺乏框架无关的特性等等。

2020年2月的TIOBE程序语言指数 (https://www.tiobe.com/tiobe-index/)
StackOverflow 开发人员的调查结果 2019 (https://insights.stackoverflow.com/survey/2019)

 

Deep Java Library 概述

这就要引出今天的主角 Deep Java Library (简称DJL)。DJL 是一个很新的项目,在2019年12月初的AWS  re: invest大会上才正式的发布出来。。简单来说,DJL是一个使用Java API简化模型训练、测试、部署和使用深度学习模型进行推理的开源库深度学习工具包,开源的许可协议是Apache-2.0。对于Java开发者而言,可以在Java中开发及应用原生的机器学习和深度学习模型,同时简化了深度学习开发的难度。通过DJL提供的直观的、高级的API,Java开发人员可以训练自己的模型,或者利用数据科学家用Python预先训练好的模型来进行推理。如果您恰好是对学习深度学习感兴趣的Java开发者,那么DJL无疑将是开始深度学习应用的一个最好的起点。

 

DJL是在现有深度学习框架的基础上使用原生Java概念构建的的开发库。它为开发者提供了深度学习的最新创新和使用前沿硬件的能力,例如GPU、MKL等。简单的API抽象并简化了开发深度学习模型所涉及的复杂性,使得这个新的框架更易于学习和应用。有了model-zoo中绑定的预训练模型集,开发者可以立即开始将深度学习的SOTA成果集成到Java应用当中。总所周知,JAVA 的设计思想有这样的一句“Write once, run anywhere”(WORE)。同样, DJL 的设计目标也设定为不依赖于具体的引擎和深度学习框架,可以随时切换框架。原则上,基于DJL开发人员可以编写在任何引擎上运行的代码。DJL目前提供了Apache MXNet的实现,预期TensorFlow 与PyTorch 的支持也将在不久后发布。从目前的实现来看,DJL使用了JNA(Java Native Access)来实现Apache MXNet操作的调用。

 

 

Java Native Access (JNA)

JNA是一个开源Java库,它为Java程序提供了访问Native Shared Library的方法,而不需要使用Java Native Interface (JNI)。JNA库使用一个名为foreign function interface library (libffi)的小型的库来动态调用原生代码。JNA库原生的函数,允许代码按名称加载库并检索指向该库中的函数的指针,然后使用libffi库调用它。所有这一切都不需要在头文件或任何编译阶段的静态绑定。开发人员使用Java接口来描述目标原生库中的函数和结构,这使得利用原生的平台特性变得非常容易。减少了配置和构建JNI代码的那样的复杂性。

DJL 提供了对于基础环境的管理。为了保证最佳的性能,提供了基于硬件配置的自动CPU/GPU选择。DJL提供了对多GPUs的支持,可以自动检测是否有可用的GPU。如果GPU可用,它将默认运行在一个GPU上,除非程序中制定使用的GPU数量。

 

在模型的训练期间,如果希望在多个GPU上进行训练,或者希望限制使用GPU的数量(对于较小的数据集,您可能希望限制GPU的数量),则必须通过设置设备来配置TrainingConfig。例如,如果您有8个可用的GPU,并且您希望训练器在5个GPU上进行训练,您可以如下配置它。

int maxNumberOfGpus = 5;

TrainingConfig config = new DefaultTrainingConfig(initializer, loss)

.setOptimizer(optimizer)

.addEvaluator(accuracy)

.setBatchSize(batchSize)

// Set the devices to run on multi-GPU

.setDevices(Device.getDevices(numberOfGpus));

对于Java开发者,DJL 的API抽象了用于开发模型的常用函数,使得Java开发人员能够利用现有的知识简化向机器学习以及深度学习的转换。相信这一点应该是Java 开发者最希望看到的。关于DJL 的抽象架构我们可以通过下图进行理解。

来源 :https://miro.medium.com/max/3472/1*ju6OsZqhpAHTnhFHDp4DXQ.png

 

Deep Java Library 的使用

计算机视觉(CV)是目前深度学习发展最为成熟的领域。其中,目标检测是一种与计算机视觉和图像处理相关的计算机技术,用于在数字图像和视频中检测某一类语义对象(如人、建筑物或汽车)的实例。目标检测在计算机视觉的许多领域都有应用,包括图像检索和视频监控。接下来,我们来展示一个目标检测的例子,体验一下DJL的实际表现。该模型使用来自DJL 的model-zoo的预先训练的Single Shot Detector (SSD)模型,帮助我们从图像中识别西雅图海鹰队(一支职业美式橄榄球球队)的队员。

要将DJL用于应用程序项目,可以使用IntelliJ IDEA来创建gradle项目,并将以下内容添加到build.gradle配置中。

源代码:https://gist.github.com/vrakesh/e287f5f0004c53ceeda8e6a547f97d49#file-build-gradle

 

接下来,我们就用这张含橄榄球员的图片进行处理。

来源: Offered under Apache-2.0 license on Gluon-CV

 

针对这张图片使用下面的这一段代码来进行推理。这段代码从model-zoo加载一个SSD模型,然后从模型中创建一个预测器,并使用predict函数来识别图像中的对象。然后一个通过一个helper utility函数在检测到的对象周围画上框线。

源代码:https://gist.github.com/vrakesh/0faacec9e9f8d88c4cb96c8ae812493a#file-simplessdinference-java

 

这一段代码标识出图像中的三个橄榄球运动员,并将结果保存为工作目录下的图片文件ssd.png。

这段代码的长度不大,理解起来也比较容易。我们可以很容易地进行调整,可以测试来自model-zoo的其他模型或者针对自己的需要作出改变。但是DJL 带来的但乐趣远不止如此。可以使用问题问答模型来训练您自己的智能化应用,或者使用图像分类模型来识别杂货架上的商品等等。在DJL 的github 上有更多有意思的例子,https://github.com/awslabs/djl/tree/master/examples

 

最后,这个介绍能够让你DJL产生兴趣。此外,也请记住DJL 的三个最有意思的特性:

  • 框架无关
  • 为Java 开发者而准备
  • 易于开发部署

 

注意:

  • 项目地址 :https://github.com/awslabs/djl
  • DJL需要JDK 8(或更高版本)。建议使用JDK8,因为JDK 11+存在一些已知的问题。问题包括SpotBugs与JDK 11+不兼容。如果使用JDK 11+, SpotBugs将不会被执行。
  • 目前DJL 尚不支持分布式模型训练。

 

本篇作者

费良宏

费良宏,AWS Principal Developer Advocate。在过去的20多年一直从事软件架构、程序开发以及技术推广等领域的工作。他经常在各类技术会议上发表演讲进行分享,他还是多个技术社区的热心参与者。他擅长Web领域应用、移动应用以及机器学习等的开发,也从事过多个大型软件项目的设计、开发与项目管理。目前他专注与云计算以及互联网等技术领域,致力于帮助中国的 开发者构建基于云计算的新一代的互联网应用。