DL框架之DL4J/Deeplearning4j：深度学习框架DL4J/Deeplearning4j的简介、安装
，与Hadoop和Spark集成。Skymind是Deeplearning4j的商业支持机构。
Deeplearning4j是开源项目，主要由位于旧金山的一支机器学习团队开发，团队由Adam Gibson领导。Deeplearning4j是谷歌Word2vec页面上列出的唯一一个在Java环境下实施Word2vec的开源项目。
Java虚拟机中的科学计算。Deeplearning4j包括使用ND4J的N维数组类，可在Java和Scala中进行科学计算，
类似于Numpy为Python提供的功能
。其基础是线性代数库，可有效支持生产环境中的矩阵操作。
Deeplearning4j已经用于多项商业和科研应用。其代码由GitHub托管，并在谷歌小组上设有支持论坛。
DL4J 生态系统中的所有项目都支持 Windows、Linux 和 macOS
。硬件支持包括 CUDA GPU（10.0、10.1、10.2，OSX 除外）、x86 CPU（x86_64、avx2、avx512）、ARM CPU（arm、arm64、armhf）和 PowerPC（ppc64le）。
https://github.com/deeplearning4j
https://github.com/deeplearning4j/deeplearning4j
Deeplearning4j Suite Overview - Deeplearning4j
Deeplearning4j
：因为Deeplearning4J运行在JVM上，所以除了Java之外，您还可以将它与各种基于JVM的语言一起使用，比如Scala、Kotlin、Clojure等等。Deeplearning4j基于广泛使用的编程语言Java——但同时也兼容Clojure，并且包括Scala的API。它由自有的
开源数值计算库ND4J驱动
，可使用CPU或GPU运行。
：这一框架是可组合的，即受限玻尔兹曼机、卷积网络、自动编码器、递归网络等浅层神经网络可以相互叠加，组合成不同类型的深度网络。
：Deeplearning4j的定型以集群进行。神经网络通过迭代化简平行定型，可以在Hadoop/YARN以及Spark上运行。Deeplearning4j还与Cuda内核集成，进行纯GPU操作，可使用分布式GPU运行。
用于机器学习的Canova向量化库
：Canova可将各类文件格式和数据类型向量化，所用的输入/输出格式系统近似于Hadoop的MapReduce。Canova目前仍在开发中，设计目标是实现CSV、图像、声音、文本和视频的向量化。Canova可以从命令行使用。 版本0.4.0之后，Canova库已合并到 DataVec当中。
：用于构建具有各种层（包括自定义层）的多层网络和计算图的高级 API。支持从 h5 导入 Keras 模型，包括 tf.keras 模型（截至 1.0.0-beta7），还支持在 Apache Spark 上进行
：通用线性代数库，包含
超过 500 种数学、线性代数和深度学习运算
。 ND4J 基于高度优化的 C++ 代码库 LibND4J，通过 OpenBLAS、OneDNN (MKL-DNN)、cuDNN、cuBLAS 等库
(AVX2/512) 和 GPU (CUDA)
： 作为ND4J 库的一部分，SameDiff 是我们的自动微分/深度学习框架。 SameDiff 使用基于图形（定义然后运行）的方法，
类似于 TensorFlow 图形模式
。 Eager graph (TensorFlow 2.x eager/PyTorch) 图执行计划。 SameDiff 支持导入 TensorFlow 冻结模型格式 .pb (protobuf) 模型。计划导入 ONNX、TensorFlow SavedModel 和 Keras 模型。 Deeplearning4j 还具有完整的 SameDiff 支持，可以轻
松编写自定义层和损失函数
：用于各种格式和文件（HDFS、Spark、图像、视频、音频、CSV、Excel 等）的
机器学习数据的 ETL
：支撑一切的 C++ 库。有关 JVM 如何访问本机数组和操作的更多信息，请参阅 JavaCPP；
深度学习框架Deeplearning4j的安装
git clone https://github.com/eclipse/deeplearning4j
Java（开发者版7或更新版本（仅支持64位版本）
Apache Maven
IntelliJ IDEA（建议）或Eclipse
深度学习框架Deeplearning4j的简使用方法
Deeplearning4J
MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder()
.seed(seed)
.l2(0.0005)
.weightInit(WeightInit.XAVIER)
.updater(new Adam(1e-3))
.layer(new ConvolutionLayer.Builder(5, 5)
.stride(1,1)
.activation(Activation.IDENTITY)
.layer(new SubsamplingLayer.Builder(PoolingType.MAX)
.kernelSize(2,2)
.stride(2,2)
.layer(new ConvolutionLayer.Builder(5, 5)
.stride(1,1)
.activation(Activation.IDENTITY)
.layer(new SubsamplingLayer.Builder(PoolingType.MAX)
.kernelSize(2,2)
.stride(2,2)
.layer(new DenseLayer.Builder().activation(Activation.RELU)
.nOut(500).build())
.layer(new OutputLayer.Builder(LossFunctions.LossFunction.NEGATIVELOGLIKELIHOOD)
.nOut(outputNum)
.activation(Activation.SOFTMAX)
.setInputType(InputType.convolutionalFlat(28,28,1))
