本项目使用非常少的代码编写了深度学习训练的全过程，有完整的结构，通过面向对象的封装，在算法上有一定扩展性，不仅支持单机模式还支持分布式模式
使用java实现的dnn训练框架，底层矩阵库使用Jblas(https://github.com/mikiobraun/jblas)，参数服务器使用Grpc+protobuf，ui方面使用ploty.js+nanohttpd
支持单机多CPU训练
支持分布式训练，多worker，多ps自定义负载均衡
支持同步更新和异步更新
支持二分类和多分类
实现embdding+全链接模型
实现Wide And Deep模型
实现卷积+池化+全链接模型
支持训练数据，测试数据异步读取，自定义parser
UI Server可视化图表
运行 CTR.java 点击率预估例子，test auc在0.71左右
运行 Mnist.java 手写输入例子，正确率在0.92左右。如果从网上下载全量的mnist数据，正确率在0.98左右
运行 CnnMnist.java 使用Cnn实现的手写输入识别，对比Mnist.java的0.92同样的数据量可以做到0.96
注意，根据运行的cpu core数量不同，结果略有差异，需要略微调整mini batch数量尽快收敛
Jblas linux需要安装libgfortran3
单机多CPU是使用多个相同的模型，提交到线程池，各自做训练，然后再主线程等待所有线程执行完毕对梯度进行更新
多机与单机的不同在于KVStore是分布式实现，获取参数都是从PS获取，多机还有一点是需要调用参数服务器的barrier测是否需要阻塞
以wide and deep模型为例子，展示了如何组合layer构造模型
需要启动UiServer，访问 localhost:8888 图表会随着训练过程动态刷新
使用UiClient::plot() 方法可以在训练中进行打点，打点信息会异步的发送给UiServer，不会阻塞训练过程
-
activations
激活函数，目前支持Sigmoid，Relu，LeakyRelu，Softmax
forward，输入x，输出y
backward，dy是前向累计梯度，preY一般没什么用，Y比较有用，因为sigmoid的导数是通过y计算出来的y（1-y）
-
context
主要是配置参数，init方法通过java的-D参数初始化
-
-Dmode=dist 分布式模式 -Dmode=standalone 单机模式
-
-DnTermDump=20 训练20次打印train auc和预估值实际值
-
-Dthread=4 单机多线程训练使用的线程数量，默认为cpu核心数，单机多线程训练会同步对梯度做平均
-
-DisPs 分布式模式下当前节点是否是参数服务器
-
-DisAsync 分布式模式下是否异步更新
-
-DworkerNum 分布式模式下worker数量
-
-DpsPort 参数服务器端口号
-
-DpsHost 参数服务器端host地址
-
-DpsAddrs 参数服务器集群，eg:localhost:2081,localhost:2082
-
-DuiPort 可视化服务器端口号
-
-DuiHost 可视化服务器host地址
-
-
data
DataSet 数据集，next读取一批数据，hasNext查看是否还有数据，用户需要实现其parseFeature方法
DataSet 可以异步多线程填充训练数据到数据队列中
DataSource 数据来源，训练数据为文件的FileSource
DataSource 为了支持多机训练，所以引入了step和offset概念，比如5个worker，每个worker的step都为5，第一个worker的offset为0，最后一个为4
Parser 解析数据，把数据解析成一个Feature的列表，详细见LibsvmParser
Feature 特征，idx为下标，值可以为string，int，float中的一种
-
evaluate
SoftmaxPrecision 多分类判读正确率
AUC 计算auc工具
LossSurface 通过对权重做缩放，计算模型的auc变化
-
layer
每个layer有两个重要方法，分别是forward正想推导和backward反向求解梯度
还有两个重要属性是A，为当前这一层的输出，delta，为当前这一层的累计梯度
以及两个layer指针next和pre，正向的时候pre.A就是当前层的输入，反向的时候next.delta就可以得到前向梯度
-
AddLayer
对两个layer的结果做加法，再使用激活函数，反向时候梯度不变
-
ConcatLayer
对两个layer的结果做合并，作为下一个layer的输入
-
EmbeddingLayer
由若干个EmbeddingField组成
-
EmbeddingField
通过map<string, FloatMatrix> 这样的结构做embedding lookup
-
FcLayer
全链接网络，正向为A=activation(WX+B)
-
Conv2DLayer
卷积层，实现im2col和col2im，输入数据按照通“道，行，列”的优先级存储为矩阵中的行
-
PoolingLayer
池化层，实现了max pooling，没有增加w和b，通过index map辅助存储max位置
-
loss
计算损失，forward接口计算损失值，backward计算损失函数导数
具体实现包括平方差损失和交叉熵损失
多分类使用SoftmaxLoss
-
model
通过组织layer组成模型
DNN模型，离散特征通过embedding加上连续特征，合并以后放入多层全链接网络
WideDeepNN模型，在DNN的基础上，在全链接网络的最后一层增加了Wide层
FullConnectedNN模型，训练mnist使用的全链接模型
-
net
PSClient，访问参数服务器的客户端，主要API有三个
PSRouterClient，当PS为集群的时候使用，通过Router路由key
getList取参数，updateList更新参数，push推送梯度，barrier请求参数服务器是否继续下一轮训练
PServer，参数服务器，实现PSClient的主要方法，将参数保存在KVStore内存中
通过globalStep和workerStep的差值控制是否barrier
当ps的工作模式为异步的时候，push方法立刻更新梯度，无需等待
-
store
KVStore是保存参数，统一的接口为get取参数，sum累计梯度，update更新参数
KVStore有两种工作模式，本地模式使用内存中的hashmap，分布式模式通过PSClient在远程获取，缓存在本地hashmap中
-
train
Trainer 组织训练过程，分布式和单机都用这一个实现，通过环境变量做些不同的事
Trainer 通过Java中的线程池，支持多CPU并行训练和并行预估
-
update
更新参数，实现了固定学习率更新和Adam，Ftrl更新，其中Adam，Ftrl通过本地map存储历史状态
-
util
MatrixUtil，现有矩阵库操作的扩容，以及proto中定义矩阵的互相转换
-
visual
UIServer，一个http + grpc服务器，接收训练worker或者ps的打点数据
UIClient，训练中的打点工具，主要使用plot方法，打点后自动在UI服务器上展示
-
resource/proto/ps.proto
因为网络使用的是GRPC + protobuf的方式，这个文件为参数服务器的接口定义
-
resource/proto/ui.proto
ui服务器接口定义
数据读取，libsvm文件的标准化读取，异步数据队列，HDFS支持等
特征处理，参考sklearn中的Preprocessing
更多的Layer实现，dropout，bn等
参数传输的压缩，学习quantize相关paper
多分类的evalute，学习one-vs-all auc
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent