如何让团队开始使用ML以及如何最好地将ML与我们运行的现有系统集成？
实际上没有用Java构建的ML框架（有DL4J，但我真的不知道有谁使用它，MXNet有一个Scala API而不是Java，而且它不是用Java编写的，Tensorflow有一个不完整的Java API），但是Java在企业中拥有巨大的使用范围，在过去的20年中，在全球范围内投资了数万亿美元的金融服务，交易，电子商务和电信公司 - 这个名单是无穷无尽的。对于机器学习，“第一个公民”编程语言不是Java，而是Python。
就个人而言，我喜欢用Python和Java编写代码，但Frank Greco提出了一个让我思考的有趣问题：
Java还需要什么才可在ML中与Python竞争？如果Java认真对待真正支持机器学习怎么办？
很重要么？
自1998年以来，就多个企业的变革而言，Java一直处于领先地位 - 网络，移动，浏览器与原生，消息传递，i18n和l10n全球化支持，扩展和支持各种企业信息存储值得一提的是，从关系数据库到Elasticsearch。
机器学习行业并非如此。Java团队如果进入ML只能有两个选择：
- 在Python中重新训练/共同训练。
- 使用供应商API为您的企业系统添加机器学习功能。
这两种选择都不是真的很好。第一个需要大量的前期时间和投资加上持续的维护成本，而第二个风险是供应商锁定，供应商解除支持，引入第三方组件（需要支付网络价格），这可能是一个性能关键系统，并且需要您可以在组织边界之外共享数据 - 对某些人来说是不行的。
在我看来，最具破坏性的是文化消耗的可能性?- 团队无法改变他们不理解或无法维护的代码，Java团队有可能在企业计算的下一波浪潮机器学习浪潮中落后 。
因此，Java编程语言和平台拥有一流的机器学习支持是非常重要，如果没有，Java将面临被未来5到10年内支持ML的语言慢慢取代的风险。
为什么Python在ML中占据主导地位？
首先，让我们考虑为什么Python是机器学习和深度学习的主要语言。
我怀疑这一切都始于一个功能 - 列表的切片slicing支持。这种支持是可扩展的：任何实现__getitem__和__setitem__方法的Python类都可以使用这种语法进行切片。下面的代码段显示了这个Python功能的强大和自然性。
a = [1, 2, 3, 4, 5, 6, 7, 8]
print(a[1:4])
#returns [2, 3, 4] - -挑选出中间元素的切片
print(a[1:-1])
#returns [2, 3, 4, 5, 6, 7] - 跳过第0和最后一个元素
print(a[4:])
#returns [5, 6, 7, 8] - 终点默认
print(a[:4])
#returns [1, 2, 3, 4] -开始点被默认
当然，还有更多。与旧的Java代码相比，Python代码更简洁，更简洁。支持未经检查的异常，开发人员可以轻松地编写一次性Python脚本来尝试填充，而不会陷入“一切都是一个类”的Java思维模式中。使用Python很容易。
但是现在我认为是主要因素 - 尽管Python社区在维持2.7和3之间的凝聚力方面做了一顿狗晚餐，但他们在构建设计良好，快速的数字计算库（NumPy）方面做得更好 。Numpy是围绕ndarray构建的 - N维数组对象。直接来自文档：“ NumPy的主要对象是同构多维数组。它是一个元素表（通常是数字），所有相同的类型，由正整数元组索引 “。
NumPy中的所有内容都是将数据放入ndarray然后对其执行操作。NumPy支持多种类型的索引，广播，矢量化以提高速度，并且通常允许开发人员轻松创建和操作大型数字数组。
下一个片段显示了ndarray 索引和正在进行的广播，这些是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.] - 标量b被自动提升/广播并应用于向量a以创建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])
# 单个单元格访问 - 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])
处理大型多维数字数组是机器学习编码的核心，尤其是深度学习。深度神经网络是节点格和边格的数字模型。在训练网络或对其进行推理时的运行时操作需要快速矩阵乘法。
NumPy已经促成并启用了更多 - ?scipy，pandas和许多其他依赖于NumPy的库。领先的深度学习库（Tensorflow来自谷歌，PyTorch来自Facebook）都投入巨资在Python。Tensorflow还有其他用于Go，Java和JavaScript的API，但它们不完整且被视为不稳定。PyTorch最初是用Lua编写的，当它们从2017年相当小的语言转移到主要的Python ML生态系统时，它的受欢迎程度大幅上升。
Python的缺点
Python不是一种完美的语言 - 特别是最流行的Python运行时 - CPython - 具有全局解释器锁（GIL），因此性能缩放并不简单。此外，像PyTorch和Tensorflow这样的Python DL框架仍然将核心方法交给不透明的实现。
例如，NVidia 的cuDNN库对PyTorch中[url=
https://pytorch.org/docs/stable/nn.html#rnn]RNN / LSTM实现[/url]的范围产生了深远的影响。RNN和LSTM是一种非常重要的DL技术，特别适用于商业应用，因为它们专门用于对顺序，可变长度序列进行分类和预测 - 例如网络点击流，文本片段，用户事件等。
为了公平对待Python，这种不透明度/限制几乎适用于任何未用C或C ++编写的ML / DL框架。为什么？因为为了获得核心的最大性能，像矩阵乘法这样的高频操作，开发人员尽可能“接近底层冶金工艺”。
Java需要做些什么才能参与竞争？
我建议Java平台有三个主要的补充，如果存在的话，会促使Java中一个健康且蓬勃发展的机器学习生态系统的萌芽：
1.在核心语言中添加本机索引/切片支持，以与Python的易用性和表现力相媲美，可能以现有的有序集合List
接口为中心。这种支持还需要承认重载以支持＃2点。
2.构建Tensor实现 - 可能在java.math包中，但也可以桥接到Collections API。这组类和接口将作为ndarray的等价物，并提供额外的索引支持 - 特别是三种类型的NumPy索引：字段访问，基本切片和编码ML所必需的高级索引。
3.支持广播 - 任意（但兼容）维度的标量和张量。
如果在核心Java语言和运行时中存在这三件事，它将开辟构建“ NumJava ” 的道路，相当于NumPy。巴拿马项目还可以用于提供对CPU，GPU，TPU等运行的快速张量操作的矢量化低级访问，以帮助Java ML成为最快的。
我并不是说这些补充是微不足道的 - 远非如此，但Java平台的潜在优势是巨大的。
下面的代码片段展示了我们的NumPy广播和索引示例如何在NumJava中使用Tensor类，核心语言支持切片语法，并尊重当前对运算符重载的限制。
//Java广播的张量
//使用Java 10中的var语法进行简洁性
// Java不支持运算符重载，所以我们不能做“a * b”
//我们应该将其添加到需求列表中吗？
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.
*显示Java Tensor类的外观的片段。
*/
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])
总结
从本文中概述的实用起点开始，我们可以拥有用Java编写并在JRE上运行的尽可能多的机器/深度学习框架，因为我们有Web，持久性或XML解析器 - 想象一下！我们可以设想Java框架支持卷积神经网络（CNN）用于前沿计算机视觉，像LSTM这样的循环神经网络实现对于顺序数据集（对业务至关重要），具有尖端的ML功能，如自动差异化等。然后，这些框架将为下一代企业级系统提供动力并为其提供动力 - 所有这些系统都使用相同的工具 - IDE，测试框架和持续集成。
