LinkedIn釋出Java機器學習函式庫Dagli

LinkedIn在GitHub釋出容易使用，且不容易產生臭蟲的Java機器學習函式庫Dagli，內含大量開箱即用的靜態模型，方便開發者建置機器學習應用。

LinkedIn解釋開發Dagli的原因，他們看到現存許多機器學習工具，包括深度學習函式庫TensorFlow、PyTorch、DeepLearning4J和CNTK，或是用於超大型工作管線的Spark、Kubeflow，以及用來開發通用模型的scikit-learn和ML.NET等，官方提到，這些工具所產生的模型，在未來發展和維護都非常複雜，進而產生長期的技術負擔。

因此他們發布了Dagli，要來解決模型技術債的問題，Dagli是一個適用於Java和其他JVM語言的開源機器學習函式庫，開發者可以用來編寫抗臭蟲、可讀、可修改、可維護且易於部署的模型工作管線，Dagli能良好地支援現代機器架構，高效地使用多核CPU以及GPU，在單機上訓練機器學習模型。

無論是經驗豐富的機器學習工程師，抑或是才剛接觸機器學習的開發者，都能夠使用Dagli開發機器學習模型，對資深機器學習工程師來說，Dagli提供一個簡便的方法，以開發高效能且生產就緒的模型，該模型能夠接受長期維護，並在需要時進行擴充，能夠與現在基於JVM技術的堆疊整合。

而對於剛接觸機器學習的工程師而言，Dagli提供直觀好用的API，可結合熟悉的JVM工具使用，並且避免發生常見的邏輯錯誤。Dagli可將模型工作管線定義為有向無環圖（DAG），同時用於訓練和預測，開發者不需要單獨實作訓練用工作管線，以及預測用工作管線。

Dagli使用簡單可讀的工作管線定義，還有大量的靜態類型與不可變性，從根本設計上，杜絕大部分潛在的邏輯錯誤，而且Dagli提供高度可移植性，用戶可將其用在伺服器、Hadoop、CLI、IDE，以及任何JVM上下文環境。

由於Dagli可將整個工作管線當作一個物件，進行序列化及反序列化，因此非常容易進行部署，而且還提供了大量可立即使用的工作管線元件，包括神經網路、邏輯回歸、交叉驗證和FastText等，在速度表現上，Dagli支援高度平行化的多執行緒訓練和預測，對工作管線進行最佳化，並以小批次處理提升效能。