前言

EasyAi的出现对于Java的意义，等同于在JavaWeb领域spring出现的意义一样——做一个开箱即用，让每一个开发者都可以使用EasyAi，来开发符合自己人工智能业务需求的小微模型，这就是它的使命！

EasyAi介绍

EasyAi无任何依赖，它是一个原生Java人工智能算法框架。首先，它可以Maven一键丝滑引入我们的Java项目，无需任何额外的环境配置与依赖，做到开箱即用。再者，它既有一些我们已经封装好的图像目标检测及人工智能客服的模块，也提供各种深度学习，机器学习，强化学习，启发式学习，矩阵运算，等底层算法工具。开发者可以通过简单的学习，就能完成根据自身业务，深度开发符合自己业务的小微模型。

EasyAI码云下载链接:https://gitee.com/dromara/easyAi
EasyAI技术文档地址：https://www.myeasyai.cn/
EasyAI详细视频教程：https://www.bilibili.com/video/av89134035
EasyAI框架0基础深度开发及人工智能完整体系教程：https://www.bilibili.com/cheese/play/ss17600

v1.3.8 更新内容

图像抠图

对图像语义进行像素级切割，前者输入原图像，后者进行输出抠图后的图像

如何使用gpu加速

环境要求（显卡、驱动、cuda）

机器必须有NVIDIA显卡，因为EasyAI是基于CUDA进行GPU加速，而非NVIDIA显卡(如AMD显卡)都不支持CUDA
机器的显卡驱动必须支持CUDA12.0.0或更高的版本(通常支持更高版本，则也能支持较低版本)
安装CUDA12.0.0，以及该CUDA版本对应的cuDNN。安装可参考：https://blog.csdn.net/m0_45447650/article/details/123704930

easyai和cuda扩展的版本对应关系。

EasyAI版本	CUDA扩展版本	平台架构
≥1.3.4	1.0.0	windows-x86_64 inux-x86_64

引入cuda扩展依赖

根据依赖的EasyAI版本选择对应的CUDA扩展版本即可

<dependency>
    <groupId>org.dromara.easyai.extensions</groupId>
    <artifactId>easyai-extensions-cuda-12.0.0</artifactId>
    <version>${CUDA扩展版本}</version>
    <classifier>${平台架构}</classifier>
</dependency>

运行&验证

前面的步骤都已成功完成后，直接调用EasyAI进行训练，如果控制台输出以下内容，则说明CUDA扩展集成成功。

EasyAI CUDA-12.0.0 extensions init success.

easyAI包已上传至Maven中央库

以后在pom文件引入以下JAR包地址即可，无需进行下载手动打包。

    <dependency>
    <groupId>org.dromara.easyai</groupId>
    <artifactId>easyAi</artifactId>
    <version>1.3.8</version>
    </dependency>

人脸检测效果演示

图像识别FastYolo效果展示

使用EasyAi实现图像结算自动贩卖机视觉内核

sayOrder人工智能客服

sayOrder是依赖EasyAi进行封装的人工智能客服系统。
它可以分析用户输入的语义，来识别用户的行为，并通过typeID来区分用户意图ID。并通过捕捉其后台设置的关键词类别，来抓出系统关心的用户在语句中包含的内容，比如语句中的时间，地点等。
它还可以与用户自主进行问答交互，进行自主解答疑问或者进行其余意图的交流等。
项目链接地址: https://gitee.com/dromara/sayOrder

sayOrder交互基本业务流程演示

用户第一次进行输入表达自己的想法
SayOrder发现用户的描述缺少订单必要信息，则进行反问。用户接收到SayOrder的反问，进一步补充的自己的想法
用户第二次输入信息依然不满足后台14分类法律咨询的订单关键信息要求，继续补充信息，最终完成订单信息补充生成订单。
用户输入想要咨询的问题，SayOrder对用户咨询的问题进行自主解答

架构设计

常用底层算法模块

基础矩阵及线代计算模块：

1.内置矩阵类，矩阵计算类，可以完成常用矩阵四则运算，奇偶性，多元线性回归，逻辑斯蒂回归，欧式距离，余弦相似性，im2col，逆im2col，求代数余子式，求逆，求伴随矩阵，内积等，微分等一系列api。

2.RGB三通道矩阵，可进行图像转化，剪切，分块，生成图像矩阵等操作方便后续计算。
机器学习-聚类：

k聚类，混合高斯聚类，密度聚类，学习向量量化聚类等
机器学习-分类及拟合：多层前馈神经网络，多层循环神经网络，残差网络，多层残差循环神经网络，卷积神经网络，决策树，随机森林，k最近邻等
启发式算法：粒子群，蚁群，模拟退火
强化学习动态规划，蒙特卡洛分析，马尔可夫，时序差分