本文要点
- 开发人员可以使用 Java 和他们喜欢的 IDE 来构建、训练和部署机器学习（ML）和深度学习（DL）模型
- DJL 简化了深度学习（DL）框架的使用，目前支持 Apache MXNet
- DJL 的开源对于工具包及其用户来说都是互惠互利的
- DJL 是引擎无关的，这意味着开发人员只需编写一次代码就可以在任何引擎上运行
- 在尝试使用 DJL 之前，Java 开发人员应该了解 ML 生命周期和常用的 ML 术语
亚马逊（Amazon）的 DJL（Deep Java Library ）是一个深度学习工具包，使用它可在 Java 中原生地进行机器学习（ML）和深度学习（DL）模型开发，从而简化深度学习框架的使用。DJL 是在 2019 年 re:Invent 大会上开源的工具包，它提供了一组高级 API 来训练、测试和运行在线推理（inference）。Java 开发人员可以开发自己的模型，也可以在他们的 Java 代码中使用数据科学家用 Python 开发的预先训练的模型。
DJL 秉承了 Java 的座右铭，“编写一次，到处运行（WORA）”，因为它是引擎和深度学习框架无关的。开发人员只需编写一次就可在任何引擎上运行。DJL 目前提供了一个 Apache MXNet 的实现，这是一个可以简化深度神经网络开发的 ML 引擎。DJL API 使用 JNA（Java Native Access）来调用相应的 Apache MXNet 操作。DJL 编排管理基础设施，基于硬件配置来提供自动的 CPU/GPU 检测，以确保良好的运行效果。
DJL API 通过抽象常用的功能来开发模型，这使 Java 开发人员能够利用现有的知识，从而可以轻松地过渡到 ML。为了了解 DJL 的实际效果，我们开发一个“鞋”的分类模型作为一个简单的示例。
机器学习生命周期
我们建立“鞋”分类模型遵循了机器学习的生命周期。ML 生命周期与传统的软件开发生命周期有所不同，它包含六个具体的步骤：
- 获取数据
- 清洗并准备数据
- 生成模型
- 评估模型
- 部署模型
- 从模型中获得预测（或推理）
生命周期的最终结果是一个可以查询并返回答案（或预测）的机器学习模型。