如何讓團(tuán)隊(duì)開始使用ML以及如何最好地將ML與我們運(yùn)行的現(xiàn)有系統(tǒng)集成？

　　實(shí)際上沒有用Java構(gòu)建的ML框架（有DL4J，但我真的不知道有誰使用它，MXNet有一個(gè)Scala API而不是Java，而且它不是用Java編寫的，Tensorflow有一個(gè)不完整的Java API），但是Java在企業(yè)中擁有巨大的使用范圍，在過去的20年中，在全球范圍內(nèi)投資了數(shù)萬億美元的金融服務(wù)，交易，電子商務(wù)和電信公司 - 這個(gè)名單是無窮無盡的。對(duì)于機(jī)器學(xué)習(xí)，“第一個(gè)公民”編程語言不是Java，而是Python。

就個(gè)人而言，我喜歡用Python和Java編寫代碼，但Frank Greco提出了一個(gè)讓我思考的有趣問題：

　　Java還需要什么才可在ML中與Python競爭？如果Java認(rèn)真對(duì)待真正支持機(jī)器學(xué)習(xí)怎么辦？

　　很重要么？

　　自1998年以來，就多個(gè)企業(yè)的變革而言，Java一直處于領(lǐng)先地位 - 網(wǎng)絡(luò)，移動(dòng)，瀏覽器與原生，消息傳遞，i18n和l10n全球化支持，擴(kuò)展和支持各種企業(yè)信息存儲(chǔ)值得一提的是，從關(guān)系數(shù)據(jù)庫到Elasticsearch。

　　機(jī)器學(xué)習(xí)行業(yè)并非如此。Java團(tuán)隊(duì)如果進(jìn)入ML只能有兩個(gè)選擇：

1. 在Python中重新訓(xùn)練/共同訓(xùn)練。
2. 使用供應(yīng)商API為您的企業(yè)系統(tǒng)添加機(jī)器學(xué)習(xí)功能。

　　這兩種選擇都不是真的很好。第一個(gè)需要大量的前期時(shí)間和投資加上持續(xù)的維護(hù)成本，而第二個(gè)風(fēng)險(xiǎn)是供應(yīng)商鎖定，供應(yīng)商解除支持，引入第三方組件（需要支付網(wǎng)絡(luò)價(jià)格），這可能是一個(gè)性能關(guān)鍵系統(tǒng)，并且需要您可以在組織邊界之外共享數(shù)據(jù) - 對(duì)某些人來說是不行的。

[[391838]]

在我看來，最具破壞性的是文化消耗的可能性?- 團(tuán)隊(duì)無法改變他們不理解或無法維護(hù)的代碼，Java團(tuán)隊(duì)有可能在企業(yè)計(jì)算的下一波浪潮機(jī)器學(xué)習(xí)浪潮中落后 。

　　因此，Java編程語言和平臺(tái)擁有一流的機(jī)器學(xué)習(xí)支持是非常重要，如果沒有，Java將面臨被未來5到10年內(nèi)支持ML的語言慢慢取代的風(fēng)險(xiǎn)。

　　為什么Python在ML中占據(jù)主導(dǎo)地位？

　　首先，讓我們考慮為什么Python是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的主要語言。

[[391839]]

我懷疑這一切都始于一個(gè)功能 - 列表的切片slicing支持。這種支持是可擴(kuò)展的：任何實(shí)現(xiàn)__getitem__和__setitem__方法的Python類都可以使用這種語法進(jìn)行切片。下面的代碼段顯示了這個(gè)Python功能的強(qiáng)大和自然性。

　　a = [1, 2, 3, 4, 5, 6, 7, 8]
print(a[1:4])
#returns [2, 3, 4] - -挑選出中間元素的切片
print(a[1:-1])
#returns [2, 3, 4, 5, 6, 7] - 跳過第0和最后一個(gè)元素
print(a[4:])
#returns [5, 6, 7, 8] - 終點(diǎn)默認(rèn)
print(a[:4])
#returns [1, 2, 3, 4] -開始點(diǎn)被默認(rèn)

　　當(dāng)然，還有更多。與舊的Java代碼相比，Python代碼更簡潔，更簡潔。支持未經(jīng)檢查的異常，開發(fā)人員可以輕松地編寫一次性Python腳本來嘗試填充，而不會(huì)陷入“一切都是一個(gè)類”的Java思維模式中。使用Python很容易。

　　但是現(xiàn)在我認(rèn)為是主要因素 - 盡管Python社區(qū)在維持2.7和3之間的凝聚力方面做了一頓狗晚餐，但他們在構(gòu)建設(shè)計(jì)良好，快速的數(shù)字計(jì)算庫（NumPy）方面做得更好 。Numpy是圍繞ndarray構(gòu)建的 - N維數(shù)組對(duì)象。直接來自文檔：“ NumPy的主要對(duì)象是同構(gòu)多維數(shù)組。它是一個(gè)元素表（通常是數(shù)字），所有相同的類型，由正整數(shù)元組索引 “。

　　NumPy中的所有內(nèi)容都是將數(shù)據(jù)放入ndarray然后對(duì)其執(zhí)行操作。NumPy支持多種類型的索引，廣播，矢量化以提高速度，并且通常允許開發(fā)人員輕松創(chuàng)建和操作大型數(shù)字?jǐn)?shù)組。

　　下一個(gè)片段顯示了ndarray 索引和正在進(jìn)行的廣播，這些是ML / DL中的核心操作。

　　import numpy as np
#Simple broadcast example
a = np.array([1.0, 2.0, 3.0])
b = 2.0
c = a * b
print(c)
#returns [ 2. 4. 6.] - the scalar b is automatically promoted / broadcast and applied to the vector a to create c
#return返回[2. 4. 6.] - 標(biāo)量b被自動(dòng)提升/廣播并應(yīng)用于向量a以創(chuàng)建c
#2-d (matrix with rank 2) indexing in NumPy - this extends to Tensors - i.e. rank > 2
y = np.arange(35).reshape(5,7)
print(y)
# array([[ 0, 1, 2, 3, 4, 5, 6],
# [ 7, 8, 9, 10, 11, 12, 13],
# [14, 15, 16, 17, 18, 19, 20],
# [21, 22, 23, 24, 25, 26, 27],
# [28, 29, 30, 31, 32, 33, 34]])
print(y[0,0])
# 單個(gè)單元格訪問 - notation is row-major, returns 0
print(y[4,])
# returns all of row 4: array([28, 29, 30, 31, 32, 33, 34])
print(y[:,2])
# returns all of column 2: array([ 2, 9, 16, 23, 30])

　　處理大型多維數(shù)字?jǐn)?shù)組是機(jī)器學(xué)習(xí)編碼的核心，尤其是深度學(xué)習(xí)。深度神經(jīng)網(wǎng)絡(luò)是節(jié)點(diǎn)格和邊格的數(shù)字模型。在訓(xùn)練網(wǎng)絡(luò)或?qū)ζ溥M(jìn)行推理時(shí)的運(yùn)行時(shí)操作需要快速矩陣乘法。

　　NumPy已經(jīng)促成并啟用了更多 - ?scipy，pandas和許多其他依賴于NumPy的庫。領(lǐng)先的深度學(xué)習(xí)庫（Tensorflow來自谷歌，PyTorch來自Facebook）都投入巨資在Python。Tensorflow還有其他用于Go，Java和JavaScript的API，但它們不完整且被視為不穩(wěn)定。PyTorch最初是用Lua編寫的，當(dāng)它們從2017年相當(dāng)小的語言轉(zhuǎn)移到主要的Python ML生態(tài)系統(tǒng)時(shí)，它的受歡迎程度大幅上升。

　　Python的缺點(diǎn)

　　Python不是一種完美的語言 - 特別是最流行的Python運(yùn)行時(shí) - CPython - 具有全局解釋器鎖（GIL），因此性能縮放并不簡單。此外，像PyTorch和Tensorflow這樣的Python DL框架仍然將核心方法交給不透明的實(shí)現(xiàn)。

　　例如，NVidia 的cuDNN庫對(duì)PyTorch中[url=
https://pytorch.org/docs/stable/nn.html#rnn]RNN / LSTM實(shí)現(xiàn)[/url]的范圍產(chǎn)生了深遠(yuǎn)的影響。RNN和LSTM是一種非常重要的DL技術(shù)，特別適用于商業(yè)應(yīng)用，因?yàn)樗鼈儗ｉT用于對(duì)順序，可變長度序列進(jìn)行分類和預(yù)測 - 例如網(wǎng)絡(luò)點(diǎn)擊流，文本片段，用戶事件等。

　　為了公平對(duì)待Python，這種不透明度/限制幾乎適用于任何未用C或C ++編寫的ML / DL框架。為什么？因?yàn)闉榱双@得核心的最大性能，像矩陣乘法這樣的高頻操作，開發(fā)人員盡可能“接近底層冶金工藝”。

　　Java需要做些什么才能參與競爭？

　　我建議Java平臺(tái)有三個(gè)主要的補(bǔ)充，如果存在的話，會(huì)促使Java中一個(gè)健康且蓬勃發(fā)展的機(jī)器學(xué)習(xí)生態(tài)系統(tǒng)的萌芽：

　　1.在核心語言中添加本機(jī)索引/切片支持，以與Python的易用性和表現(xiàn)力相媲美，可能以現(xiàn)有的有序集合List

　　接口為中心。這種支持還需要承認(rèn)重載以支持＃2點(diǎn)。

　　2.構(gòu)建Tensor實(shí)現(xiàn) - 可能在java.math包中，但也可以橋接到Collections API。這組類和接口將作為ndarray的等價(jià)物，并提供額外的索引支持 - 特別是三種類型的NumPy索引：字段訪問，基本切片和編碼ML所必需的高級(jí)索引。

　　3.支持廣播 - 任意（但兼容）維度的標(biāo)量和張量。

　　如果在核心Java語言和運(yùn)行時(shí)中存在這三件事，它將開辟構(gòu)建“ NumJava ” 的道路，相當(dāng)于NumPy。巴拿馬項(xiàng)目還可以用于提供對(duì)CPU，GPU，TPU等運(yùn)行的快速張量操作的矢量化低級(jí)訪問，以幫助Java ML成為最快的。

　　我并不是說這些補(bǔ)充是微不足道的 - 遠(yuǎn)非如此，但Java平臺(tái)的潛在優(yōu)勢是巨大的。

　　下面的代碼片段展示了我們的NumPy廣播和索引示例如何在NumJava中使用Tensor類，核心語言支持切片語法，并尊重當(dāng)前對(duì)運(yùn)算符重載的限制。

　　//Java廣播的張量
//使用Java 10中的var語法進(jìn)行簡潔性
// Java不支持運(yùn)算符重載，所以我們不能做“a * b”
//我們應(yīng)該將其添加到需求列表中嗎？
var a = new Tensor([1.0, 2.0, 3.0]);
var b = 2.0;
var c = a.mult(b);
/**
* And a snippet showing how the Java Tensor class could look.
*顯示Java Tensor類的外觀的片段。
*/
import static java.math.Numeric.arange;
//arange returns a tensor instance and reshape is defined on tensor
var y = arange(35).reshape(5,7);
System.out.println(y);
// tensor([[ 0, 1, 2, 3, 4, 5, 6],
// [ 7, 8, 9, 10, 11, 12, 13],
// [14, 15, 16, 17, 18, 19, 20],
// [21, 22, 23, 24, 25, 26, 27],
// [28, 29, 30, 31, 32, 33, 34]])
System.out.println(y[0,0]);
// single cell access - notation is row-major, returns 0
System.out.println(y[4,]);
// returns all of row 4 (5th row starting from 0 idx): tensor([28, 29, 30, 31, 32, 33, 34])
System.out.println(y[:,2]);
// returns all of column 2 (3rd col starting from 0 idx): tensor([ 2, 9, 16, 23, 30])

　　總結(jié)

　　從本文中概述的實(shí)用起點(diǎn)開始，我們可以擁有用Java編寫并在JRE上運(yùn)行的盡可能多的機(jī)器/深度學(xué)習(xí)框架，因?yàn)槲覀冇蠾eb，持久性或XML解析器 - 想象一下！我們可以設(shè)想Java框架支持卷積神經(jīng)網(wǎng)絡(luò)（CNN）用于前沿計(jì)算機(jī)視覺，像LSTM這樣的循環(huán)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)于順序數(shù)據(jù)集（對(duì)業(yè)務(wù)至關(guān)重要），具有尖端的ML功能，如自動(dòng)差異化等。然后，這些框架將為下一代企業(yè)級(jí)系統(tǒng)提供動(dòng)力并為其提供動(dòng)力 - 所有這些系統(tǒng)都使用相同的工具 - IDE，測試框架和持續(xù)集成。