DeepDetect ，一个专为深度学习的开源API和服务。 DeepDetect的API 简略直观、易用、通用和易扩展。
在其他贡献者的协助下，他集成了 Caffe ， XGBoost 和 Tensorflow (很快将完结)，而且未对原服务或许API修正。
XGBoost梯度进步法树是深度模型常用的算法。Tensorflow支撑分布式练习模型和数据，而且能很好的支撑LSTM和RNNs神经网络算法。Caffe拿手处理图画和文本数据。DeepDetect让你在这些深度学习结构间自在转化。
下面将介绍完成通用深度学习API的首要准则。一起也等待我们贡献出一些主意和点评来进步DeepDetect。
创业公司等待构建一个可认证的深度学习的SaaS API，可扩展，并能快速市场化、产品化;
企业等待与已有体系可以无缝联接，刚开始数据流比较慢，后续模型需求跟着数据的添加而进行优化。而且对应的技能可以复制到其他项目中或许部分。
契合上述两个要求的开源项目有搜索引擎 Elasticsearch ，可扩展搜索引擎，明晰的REST风格API和彻底JSON化的输入/输出数据结构。
那深度学习API集成服务该怎样完成呢?下面给出几点：
无需重写：深度学习(机器学习)就像密码学，只需生成一次。无需重写对存在多种深度学习库是非要重要的;
无缝转化：开发和产品发布具有相同的环境会加速测验和发布周期，防止呈现bug;
简化命令行：简略、人性化的输入/输出格局，比方JSON格局。简略便是王道;
产品化：专业的机器学习服务生命周期更等待在数据猜测，而不是练习模型。
如果有一种通用机器学习服务能交融以上的点，简略且强悍的API，它将会一起满意开发人员和企业诉求，而且在开发和产品之间无缝切换。它将会选用JSON数据格局，用单一结构和API一致其他深度学习和机器学习开发库，并躲藏各代码间的内部复杂性。
DeepDetect机器学习API中心部分是资源和数据输入/输出格局。资源曩昔是指服务器资源，而不是指机器学习服务。此种规划的原因是GPU和内存在POST机器学习服务作业时是紧缺资源。让他们看看有哪些中心资源：
服务器信息：经过GET目录/info获取服务器信息;
机器学习服务办理：经过PUT(创立一个机器学习服务)、GET(取得一个机器学习服务状况)和POST(更新一个机器学习服务)目录/services进行机器学习服务的办理;
模型练习：经过POST(创立一个新的练习作业)、GET(获取一个练习作业的状况)和DELETE(撤销一个练习作业)目录/train进行模型练习;
数据猜测：经过POST(发送数据到服务)目录/predict进行数据猜测。
所以服务包含机器学习服务、模型练习和数据猜测，这些服务资源是计算模型上两种首要操作。在这个阶段监督学习服务和无监督学习服务没什么差异。
机器学习的首要参数是输入或预处理、计算学习和终究输出，映入脑海里的是：input，mllib和output三种。mllib指定支撑的机器学习库，input和output不写自明。下面是一个比方，创立一个图画分类的服务：
PUT /services/imageserv
{
“description”: “image classification service”,
“mllib”: “caffe”,
“model”: {
“repository”: “/path/to/models/imgnet”,
“templates”: “../templates/caffe/”
},
“parameters”: {
“input”: {
“connector”: “image”
},
“mllib”: {
“nclasses”: 1000,
“template”: “googlenet”
},
“output”: {
}
},
“type”: “supervised”
}
参数一般包含input，mllib和output，监督学习服务和无监督学习服务经过调整输出connector设置。input connector处理输入格局，支撑CSV、libsvm和text等格局，包含图画和特征。mllib部件指定的是服务创立、练习和猜测模型的机器学习库，十分便利的引证各机器学习库的参数，而且保存了参数标志。
下面给出一个CSV格局的input connector比方：
“input”: {
“id”: “Id”,
“label”: “Cover”,
“separator”: “,”,
“shuffle”: true,
“test_split”: 0.1
}
下面是一个典型练习模型的output connector：
“output”: {
“measure”: [
“acc”,
“mcll”,
“f1”
]
}
接下来给出一个复杂点的输出，Mustache格局的输出模版(标准化的JSON格局可以转化成恣意其他的格局)：
{
“network”: {
“http_method”: “POST”,
“url”: “http://localhost:9200/images/img
},
“template”: “{ {{#body}}{{#predictions}} \”uri\”:\”{{uri}}\”,
\”categories\”: [ {{#classes}} { \”category\”:\”{{cat}}\”,\”score\”:
{{prob}} } {{^last}},{{/last}}{{/classes}} ] {{/predictions}}
{{/body}} }”
}
上述模版可以使监督学习分类成果直接输入Elasticsearch并生成索引，概况见http://www.deepdetect.com/tutorials/es-image-classifier 。注意到network目标，其POST到输出服务器，这个目标也可以用在input connector衔接长途输入源。
上面的模版是一个典型的DeepDetect服务器监督分类JSON输出：
“body”: {
“predictions”: {
“classes”: [
{
“cat”: “n03868863 oxygen mask”,
“prob”: 0.24278657138347626
},
],
“loss”: 0.0,
“uri”: “0pwoxn0rz22.jpg”
}
上述的比方在集成到已存项目管道是不需求“胶水”代码，这很好的满意了许多企业的需求。
下面快速阅读下mllib组件，包含Caffe和XGBoost：
// Caffe
“mllib”:{
gpu:true,
net:{
batch_size:128
},
solver: {
test_interval:1000,
iterations:16000,
base_lr:0.01,
solver_type:SGD
}
}
// XGBoost
mllib: {
iterations: 100,
objective: multi:softprob
}
关于Caffe的比方，服务器使用了GPU，其他参数包含solver和learning rate等。关于XGBoost比方，参数iterations和objective被设置。
接下来重要的部分是数据猜测，调查机器学习服务生命周期重要的是根据数据进行猜测：
curl -X POST ‘http://localhost:8080/predict’ -d
‘{service:covert,parameters:{input:
{id:Id,”separator”:,}},data:[test.csv]}’
这儿mllib部分省掉掉了，有时在深度网络中抽取特征时mllib是有用的。在非监督学习中是类似的，输出是一个张量，而不是一个类或许回归目标：
mllib:{extract_layer:pool5/7x7_s1}
最终总结，这歌机器学习API的中心点：
可读性：一切的数据结构是简略、人性化的;
通用性：监督学习服务和无监督学习服务的通用API;
REST风格和可编程的API：这个API经过网络获取，但保存C++原有标志;
“虚拟”性;可以很简单的学习添加的特征和资源，比方，为多个猜测完成服务链。
