Deeplearning4j

Eclipse Deeplearning4j هي ​​مكتبة برمجية مكتوبة بلغة جافا لآلة جافا الافتراضية (JVM). ^{[ 2 ] [ 3 ]} وهي إطار عمل يدعم خوارزميات التعلم العميق على نطاق واسع. ^{[ 4 ]} تتضمن Deeplearning4j تطبيقات لخوارزميات آلة بولتزمان المقيدة ، وشبكة الاعتقاد العميق ، والمشفر التلقائي العميق، والمشفر التلقائي لإزالة التشويش المكدس، وشبكة الموتر العصبية المتكررة ، وword2vec ، وdoc2vec، و GloVe . وتشمل هذه الخوارزميات جميعها إصدارات متوازية موزعة تتكامل مع Apache Hadoop و Spark . ^{[ 5 ]}

Deeplearning4j هو برنامج مفتوح المصدر مُرخص بموجب رخصة أباتشي 2.0 ، ^{[ 6 ]} وقد طُوّر بشكل أساسي من قِبل فريق متخصص في تعلم الآلة مقره في سان فرانسيسكو . ^{[ 7 ]} وتدعمه تجاريًا شركة Skymind الناشئة، التي تُقدّم DL4J و TensorFlow و Keras ومكتبات أخرى للتعلم العميق في حزمة توزيع مؤسسية تُسمى Skymind Intelligence Layer. ^{[ 8 ]} وقد أُضيف Deeplearning4j إلى مؤسسة Eclipse في أكتوبر 2017. ^{[ 9 ] [ 10 ]}

يعتمد Deeplearning4j على لغة البرمجة Java واسعة الانتشار ، مع أنه متوافق مع Clojure ويتضمن واجهة برمجة تطبيقات (API) مكتوبة بلغة Scala . ويعتمد على مكتبة الحوسبة العددية مفتوحة المصدر الخاصة به، ND4J ، ويعمل مع كلٍ من وحدات المعالجة المركزية (CPU) ووحدات معالجة الرسومات (GPU). ^{[ 11 ] [ 12 ]}

استُخدمت مكتبة Deeplearning4j في العديد من التطبيقات التجارية والأكاديمية. يُستضاف الكود البرمجي على منصة GitHub . ^{[ 13 ]} ويُدار منتدى للدعم على منصة Gitter . ^{[ 14 ]}

يتميز هذا الإطار بقابليته للتركيب، ما يعني إمكانية إضافة الشبكات العصبية السطحية، مثل آلات بولتزمان المقيدة، والشبكات الالتفافية، والمشفرات التلقائية، والشبكات المتكررة، لتكوين شبكات عميقة من أنواع مختلفة. كما يتضمن أدوات تصوير شاملة، ^{[ 15 ]} ورسمًا بيانيًا للحساب. ^{[ 16 ]}

يتم التدريب باستخدام Deeplearning4j في مجموعة حاسوبية. تُدرَّب الشبكات العصبية بالتوازي عبر عملية الاختزال التكراري، والتي تعمل على Hadoop YARN و Spark . ^{[ 7 ] [ 17 ]} كما يتكامل Deeplearning4j مع نواة CUDA لإجراء عمليات GPU خالصة، ويعمل مع وحدات معالجة الرسومات الموزعة.

تتضمن مكتبة Deeplearning4j فئة مصفوفات متعددة الأبعاد باستخدام ND4J ، مما يتيح إجراء العمليات الحسابية العلمية في لغتي Java وScala، على غرار الوظائف التي توفرها NumPy للغة Python . وهي في الأساس مبنية على مكتبة للجبر الخطي ومعالجة المصفوفات في بيئة الإنتاج.

تُحوّل DataVec أنواع الملفات وأنواع البيانات المختلفة إلى متجهات باستخدام نظام تنسيق إدخال/إخراج مشابه لاستخدام MapReduce في Hadoop؛ أي أنها تُحوّل أنواع البيانات المختلفة إلى أعمدة من القيم العددية تُسمى متجهات . صُممت DataVec لتحويل ملفات CSV والصور والصوت والنصوص والفيديو والسلاسل الزمنية إلى متجهات. ^{[ 18 ] [ 19 ]}

تتضمن مكتبة Deeplearning4j مجموعة أدوات لنمذجة الفضاء المتجهي ونمذجة المواضيع ، مُنفذة بلغة جافا ومتكاملة مع وحدات معالجة الرسومات المتوازية لتحسين الأداء. وهي مصممة للتعامل مع مجموعات النصوص الكبيرة.

تتضمن مكتبة Deeplearning4j تطبيقات لتقنية تردد المصطلح - تردد المستند العكسي ( tf-idf )، والتعلم العميق ، وخوارزمية Word2vec لميكولوف، ^{[ 20 ]} و doc2vec، و GloVe، مُعاد تنفيذها ومُحسّنة بلغة جافا. وتعتمد على تقنية تضمين الجوار العشوائي الموزع t (t-SNE) لتصورات سحابة الكلمات.

تشمل حالات الاستخدام الواقعية لـ Deeplearning4j كشف اختراقات الشبكات والأمن السيبراني، وكشف الاحتيال في القطاع المالي، ^{[ 21 ] [ 22 ]} وكشف الحالات الشاذة في صناعات مثل التصنيع، وأنظمة التوصية في التجارة الإلكترونية والإعلان، ^{[ 23 ]} والتعرف على الصور. ^{[ 24 ]} وقد تم دمج Deeplearning4j مع منصات تعلم آلي أخرى مثل RapidMiner وPrediction.io، ^{[ 25 ]} و Weka . ^{[ 26 ]}

يُقدّم Deeplearning4j نماذج التعلّم الآلي للاستدلال في بيئة الإنتاج باستخدام النسخة المجانية للمطورين من SKIL، وهي طبقة الذكاء من Skymind. ^{[ 27 ] [ 28 ]} يُقدّم خادم النماذج نماذج التعلّم الآلي البارامترية التي تتخذ القرارات بشأن البيانات. ويُستخدم في مرحلة الاستدلال ضمن سير عمل التعلّم الآلي، بعد معالجة البيانات وتدريب النموذج. يُعدّ خادم النماذج الأداة التي تُمكّن من نشر أبحاث علوم البيانات في بيئة إنتاج واقعية.

كما يُعدّ خادم الويب أساسيًا للإنترنت، يُعدّ خادم النماذج أساسيًا للذكاء الاصطناعي. فبينما يستقبل خادم الويب طلب HTTP ويعيد بيانات حول موقع ويب، يستقبل خادم النماذج البيانات، ثم يُصدر قرارًا أو تنبؤًا بشأنها: على سبيل المثال، إذا تم إرسال صورة، فقد يُصدر خادم النماذج تصنيفًا لتلك الصورة، لتحديد الوجوه أو الحيوانات في الصور الفوتوغرافية.

يستطيع خادم نموذج SKIL استيراد النماذج من أطر عمل بايثون مثل Tensorflow و Keras و Theano و CNTK، مما يتغلب على عائق رئيسي في نشر نماذج التعلم العميق.

يُعدّ Deeplearning4j سريعًا مثل Caffe في مهام التعرّف على الصور المعقدة باستخدام وحدات معالجة رسومية متعددة. ^{[ 29 ]} بالنسبة للمبرمجين غير الملمين بالحوسبة عالية الأداء على JVM، هناك العديد من المعايير التي يجب ضبطها لتحسين وقت تدريب الشبكة العصبية. تشمل هذه المعايير تحديد مساحة الذاكرة المخصصة، وخوارزمية جمع البيانات المهملة، واستخدام الذاكرة خارج الذاكرة المخصصة، وحفظ البيانات مسبقًا (التخزين المؤقت) لتسريع عملية استخراج البيانات وتحويلها وتحميلها (ETL). ^{[ 30 ]} مجتمعةً، يمكن لهذه التحسينات أن تؤدي إلى تسريع الأداء بمقدار 10 أضعاف مع Deeplearning4j.

يمكن استخدام Deeplearning4j عبر لغات برمجة متعددة، بما في ذلك Java وScala وPython وClojure وKotlin. تُسمى واجهة برمجة تطبيقات Scala الخاصة بها ScalNet. ^{[ 31 ]} وتُستخدم Keras كواجهة برمجة تطبيقات Python الخاصة بها. ^{[ 32 ]} أما غلاف Clojure الخاص بها فيُعرف باسم DL4CLJ. ^{[ 33 ]} وتُعدّ لغات C وC++ وCUDA C اللغات الأساسية التي تُجري العمليات الحسابية واسعة النطاق اللازمة للتعلم العميق.

تتكامل Tensorflow وKeras وDeeplearning4j معًا. ويمكن لـ Deeplearning4j استيراد النماذج من Tensorflow وأطر عمل Python الأخرى إذا تم إنشاؤها باستخدام Keras. ^{[ 34 ]}

• مقارنة برامج التعلم العميق
• الذكاء الاصطناعي
• التعلم الآلي
• التعلم العميق