用 Kotlin 进行深度学习：KotlinDL-alpha 简介

Lei

Read this post in other languages:

• English
,
• Русский

大家好!
今天我们想和大家分享一下 KotlinDL (v.0.1.0),的第一次预览，这是一个用 Kotlin 编写的高级深度学习框架，灵感来源于 Keras。
它为在 JVM 环境中构建、训练和部署深度学习模型提供了简单的 API。 高层次的 API 和许多参数的合理默认值使得 KotlinDL 很容易上手。 您只需要几行 Kotlin 代码就可以创建和训练第一个简单的神经网络：

private val model = Sequential.of(
    Input(28, 28, 1),
    Flatten(),
    Dense(300),
    Dense(100),
    Dense(10)
)

fun main() {
    val (train, test) = Dataset.createTrainAndTestDatasets(
        trainFeaturesPath = "datasets/mnist/train-images-idx3-ubyte.gz",
        trainLabelsPath = "datasets/mnist/train-labels-idx1-ubyte.gz",
        testFeaturesPath = "datasets/mnist/t10k-images-idx3-ubyte.gz",
        testLabelsPath = "datasets/mnist/t10k-labels-idx1-ubyte.gz",
        numClasses = 10,
        ::extractImages,
        ::extractLabels
    )
    val (newTrain, validation) = train.split(splitRatio = 0.95)

    model.use {
        it.compile(
            optimizer = Adam(),
            loss = Losses.SOFT_MAX_CROSS_ENTROPY_WITH_LOGITS,
            metric = Metrics.ACCURACY
        )

        it.summary()

        it.fit(
            dataset = newTrain,
            epochs = 10,
            batchSize = 100,
            verbose = false
        )

        val accuracy = it.evaluate(
            dataset = validation,
            batchSize = 100
        ).metrics[Metrics.ACCURACY]

        println("Accuracy: $accuracy")
        it.save(File("src/model/my_model"))
    }
}

GPU 支持

训练深度学习模型很花费资源，而您可能考虑过通过在 GPU 上运行来加速这个过程。 使用KotlinDL可以轻松实现这一点！
只需一个额外的依赖，你就可以在 NVIDIA GPU 设备上运行上述代码而无需任何修改。

丰富的 API

KotlinDL 自带所有必要的 API，用于构建和训练前馈神经网络，包括卷积神经网络。 它为大多数超参数提供了合理的默认值，并提供了广泛的优化器、weight 初始值设定项、激活函数以及其他所有必要的杠杆，供您调整模型。
通过 KotlinDL，您可以保存生成的模型，并将其导入到您的 JVM 后端应用程序中进行推理。

Keras 模型导入

开箱即用，KotlinDL 提供了 API，用于构建、训练、保存深度学习模型，并加载模型运行推理。 在导入模型进行推理时，您可以使用用 KotlinDL 训练的模型，也可以导入用 Python 和 Keras（2.* 版本）训练的模型。

对于用 KotlinDL 或 Keras 训练的模型，KotlinDL 支持转移学习方法，允许您使用现有的预训练模型，并根据您的任务对其进行微调。

临时限制

在这个第一个 alpha 版本中，只有有限的几个图层可用。分别是: Input(), Flatten(), Dense(), Dropout(), Conv2D(), MaxPool2D(), 和 AvgPool2D()。 这个限制意味着目前并不是所有的 Keras 模型都被支持。 您可以导入并微调一个预先训练好的 VGG-16 或 VGG-19 模型，但不能导入 ResNet50 模型。 我们正在努力在即将发布的版本中为您带来更多的层次。

另一个暂时的限制是关于部署。 您可以在服务器端 JVM 环境中部署模型，然而，目前还不支持在 Android 设备上进行推理，但会在以后的版本中实现。

后台有什么？

KotlinDL 构建在 TensorFlow Java API 之上，TensorFlow Java API 正在被开源社区积极开发。

试试吧!

我们已经准备了一些教程来帮助您开始使用 KotlinDL：

• 快速入门指南
• 用 KotlinDL 创建您的第一个神经网络
• 训练模型
• 推理实例
• 导入 Keras 模型
• 转移学习实例

欢迎通过 GitHub 问题, 分享您的反馈，创建您自己的 Pull Request，并加入Kotlin slack上的 #deeplearning 社区。

Subscribe to Kotlin Blog updates

Subscribe form

By submitting this form, I agree to the JetBrains Privacy Policy Notification icon

提交此表单，即表示我同意 JetBrains s.r.o. ("JetBrains") 使用我的姓名、电子邮件地址和位置数据向我发送简报和商业通讯，并为此目的而处理我的个人数据。我同意 JetBrains 根据 JetBrains 隐私政策为此目的使用第三方服务处理上述数据。我了解我可以在我的个人资料中随时撤回此同意。此外，每封电子邮件中也都包含退订链接。

Submit

谢谢！