Jetzt zurück zu den Grundlagen des DL4J-Frameworks. Dieses enthält z. B. deeplearning4j-core, um Neuronale Netzwerke zu implementieren, die nd4j-native-platform, um z. B. mehrdimensionale Arrays schnell verarbeiten zu können und die datavec-api, um mit den Daten umzugehen.

Es gibt u.a. die folgenden wichtigen Bibliotheken im DL4J-Framework:

Die datavec-Bibliothek stellt die Klassen für die Konfiguration der Daten zur Verfügung. Data Vectorization wird in 99% (*Q37) der Fälle von Daten-Bearbeitern (Data Scientists) genommen, um die ursprünglichen Daten (z. B. CSV-Dateien) in ein sinnvolles Format, nämlich Vektoren, für das Neuronale Netzwerk zu bringen.

Die deeplearning4j-Bibliothek stellt die Klassen für die Konfiguration des Neuronalen Netzwerkes zur Verfügung.

Die nd4j-Bibliothek dient hauptsächlich der Konstruktion von n-dimensionalen Arrays. Des Weiteren steht die lineare Algebra im Mittelpunkt, die sowohl schnell sein, als auch wenig RAM in Anspruch nehmen soll. Auch gibt es Klassen für die Datenverarbeitung und für die Evaluation.

Die slf4j-Bibliothek (Simple Logging Facade for Java) stellt (nicht nur) dem DL4J-Framework Klassen für das Loggen von Systemdaten zur Verfügung.

- 64 -