springboot 实现机器学习_Java + Spring Boot，玩转机器学习

很多个人开发者和企业都已经开始在自己的应用程序中采用机器学习和深度学习技术。行业的快速创新促使各企业采用机器学习，其涉及的业务使用案例从客户服务(包括从图像和视频流进行对象检测、情绪分析)到欺诈检测与协作不等。

然而就算这些技术非常火热，但采用学习曲线仍然相当陡峭，需要用新的编程语言(例如 Python)和框架开发内部技术专业知识，从而对从编写代码到构建、测试和部署的整个软件开发声明周期产生级联效应。

如何利用现有的技能(例如 Java 编程技术)和资源(框架、管道和部署)来集成机器学习功能？Java + Spring Boot 就可以！

简介

Spring Boot 是用于微服务开发的最常用且使用最广泛的开源框架，对分布式系统的实施进行了简化。

尽管此框架具有广泛的吸引力，但将它在本机与 Machine Learning(ML)轻松集成的选项很少。现有解决方案(例如库存 API)通常不满足定制的应用程序要求，且开发定制解决方案很耗时，且不具有成本效益。

开发人员采用多种方式将机器学习功能集成到现有的应用程序中。以推理为例，当前选项从使用库存 API 到将使用远程调用 API 包装基于 Python 或 C++ 的应用程序用不等。库存 API 虽然基于稳健的模型，但可能不太适合您的域或行业，从而导致在生产中发现问题，且解决这些问题的选项很少。在其他情况下，当大规模运行推理(例如，在流式传输应用程序或延迟敏感型微服务中)时，出于性能原因，进行远程调用可能不是可行选项。

认识到这一挑战后，Amazon Web Services (AWS) 创建了几个开源项目，以促进 Java 和微服务采用 ML，从而最终帮助我们的客户、合作伙伴以及整个开源社区。这些计划与 AWS 目标紧密契合，利用历来成本高昂且难以被许多组织采用的技术，并使这些技术能被更加广泛的受众使用。

在本文中，我们将演示 Java 用户如何使用适用于Deep Java Library(DJL)的 Spring Boot Starter，将 ML 集成到自己的 Spring 应用程序中。我们将回顾如何实际应用这些框架及如何将 ML 功能集成到微服务中，从而演示深度学习在对象检测和分类中的常见使用案例。

DJL 概述

Deep Java Library(DJL)是一个适用于深度学习的开源、高级别、无框架无关的 Java API。它容易入门，并且对于Java开发人员来说使用非常简单。DJL 提供本机 Java 开发体验和功能，就像其他常规 Java 库一样。

DJL 提供方便的抽象层来使用最常见的 AI/ML 框架，例如 Apache MXNet、PyTorch 和 TensorFlow。然而，它不仅是在现有库(其中一些提供 Java API/绑定)上使用方便。使用 DJL API，我们将获得均匀一致的层，它可以与上述所有框架进行交互，从而使我们能够交换您选择的框架，而不对客户端代码造成任何影响。

这一独特的功能结合相对丰富的模型园存储库(带有预训练模型的存储库)使 ML 工程师能够为手边的任务查找最佳模型，无论底层模型实施如何。

有关 DJL 的更多信息，请参阅DJL GitHub 存储库和常见问题。

另外请注意：之前我们曾发布过一篇专门