Java程序员学深度学习 DJL上手4 NDArray基本操作
一、介绍NDArray
NDArray是一个基于Java的N维数组工具，我觉得最直观的理解可以认为它是Numpy里的NDArray的Java实现。
NDArray是DJL的核心数据结构，包含超过 60+ 个在Java中的方式实现与NumPy相同的结果。
另外NDArray支持硬件加速，如在CPU上的 MKLDNN 加速以及GPU上的CUDA 加速。
NDArray在DJL中的内部结构：
NDArray包含三个关键的层：
- 界面层
- DJL各种深度学习算法为NDArray开发的引擎
- C++层
二、准备环境
- idea
- maven
1. 创建项目
2. pom.xml
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>com.xundh</groupId>
<artifactId>djl-learning</artifactId>
<version>0.1-SNAPSHOT</version>
<properties>
<maven.compiler.source>1.8</maven.compiler.source>
<maven.compiler.target>1.8</maven.compiler.target>
<java.version>8</java.version>
<djl.version>0.13.0-SNAPSHOT</djl.version>
</properties>
<dependencyManagement>
<dependencies>
<dependency>
<groupId>ai.djl</groupId>
<artifactId>bom</artifactId>
<version>${djl.version}</version>
<type>pom</type>
<scope>import</scope>
</dependency>
</dependencies>
</dependencyManagement>
<dependencies>
<dependency>
<groupId>ai.djl</groupId>
<artifactId>api</artifactId>
</dependency>
<dependency>
<groupId>ai.djl</groupId>
<artifactId>basicdataset</artifactId>
</dependency>
<dependency>
<groupId>ai.djl</groupId>
<artifactId>model-zoo</artifactId>
</dependency>
<!-- Pytorch -->
<dependency>
<groupId>ai.djl.pytorch</groupId>
<artifactId>pytorch-engine</artifactId>
</dependency>
<dependency>
<groupId>ai.djl.pytorch</groupId>
<artifactId>pytorch-native-auto</artifactId>
<version>1.7.0</version>
</dependency>
</dependencies>
</project>
3. NDArrayLearning.java
package com.xundh;
import ai.djl.ndarray.NDArray;
import ai.djl.ndarray.NDManager;
import ai.djl.ndarray.types.Shape;
public class NDArrayLearning {
public static void main(String[] args){
try(NDManager manager = NDManager.newBaseManager()) {
// 创建 NDArray
NDArray nd = manager.ones(new Shape(2, 3));
System.out.println(nd);
}
}
}
三、创建数组
1. 创建全1的N维数组
NDArray nd = manager.ones(new Shape(2, 3));
结果：
ND: (2, 3) cpu() float32
[[1., 1., 1.],
[1., 1., 1.],
]
2. 创建随机数的N维数组
NDArray nd = manager.randomUniform(0, 1, new Shape(1, 1, 4));
结果：
ND: (1, 1, 4) cpu() float32
[[[0.5488, 0.5928, 0.7152, 0.8443],
],
]
3. 创建全0数组
NDArray nd = manager.zeros(new Shape(2,3), DataType.INT64);
System.out.println(nd);
结果：
ND: (2, 3) cpu() int64
[[ 0, 0, 0],
[ 0, 0, 0],
]
4. 创建对角为1的矩阵
NDArray nd = manager.eye(3,-1);
System.out.println(nd);
结果：
ND: (3, 3) cpu() float32
[[0., 0., 0.],
[1., 0., 0.],
[0., 1., 0.],
]
NDManager支持多达20种在NumPy中NDArray创建的方法，更多参见：
https://javadoc.io/doc/ai.djl/api/latest/ai/djl/ndarray/NDManager.html
四、数组计算
1. 转置
NDArray nd = manager.arange(1, 10).reshape(3, 3);
nd = nd.transpose();
结果：
ND: (3, 3) cpu() int32
[[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
]
ND: (3, 3) cpu() int32
[[ 1, 4, 7],
[ 2, 5, 8],
[ 3, 6, 9],
]
2. 所有元素加
NDArray nd = manager.arange(1, 10).reshape(3, 3);
// 加10
nd = nd.add(10);
System.out.println(nd);
结果：
ND: (3, 3) cpu() int32
[[11, 12, 13],
[14, 15, 16],
[17, 18, 19],
]
更多支持的计算函数参见：
https://javadoc.io/doc/ai.djl/api/latest/ai/djl/ndarray/NDArray.html
五、Get和Set
1. 筛选大于10的
NDArray nd = manager.arange(5, 14);
System.out.println(nd);
nd = nd.get(nd.gte(10));
System.out.println(nd);
结果：
ND: (9) cpu() int32
[ 5, 6, 7, 8, 9, 10, 11, 12, 13]
ND: (4) cpu() int32
[10, 11, 12, 13]
2. 一个3×3的矩阵，把第二列的数据都乘以2
NDArray nd = manager.arange(1, 10).reshape(3, 3);
System.out.println(nd);
nd.set(new NDIndex(":, 1"), array -> array.mul(2));
System.out.println(nd);
结果：
ND: (3, 3) cpu() int32
[[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
]
ND: (3, 3) cpu() int32
[[ 1, 4, 3],
[ 4, 10, 6],
[ 7, 16, 9],
]