Accueil Projets djl
djl
Java

djl

Un cadre d'apprentissage profond indépendant du moteur en Java.

par deepjavalibrary · GitHub
Étoiles
Forks
Licence
Créé
Dernier commit
Catégorie
Langue
aiautograddeep-learningApache-2.0Java
Voir sur GitHub
En termes simples

Construisez et déployez des modèles d'apprentissage profond en utilisant Java sans avoir besoin d'être un expert en apprentissage automatique.

Vous maintenez ce projet ?

Revendiquez sa page : indexée quel que soit son rang, traduite en six langues, et enrichie de vos propres mots.

Revendiquer cette page →
djl — GitHub preview card
📈 Historique des étoiles
4.84k4.83k
2026-07-042026-08-31
📈 Suivez djl

Recevez une alerte par e-mail à sa prochaine version ou quand il décolle — ne ratez plus rien.

Gratuit · sans carte · désinscription à tout moment
Recevoir des alertes e-mail →
📄 À propos

Un cadre d'apprentissage profond indépendant du moteur en Java.

djl compte 4.8k étoiles sur GitHub. Il a été forké 752 fois. djl est écrit principalement en Java. Il est développé activement depuis 2019. djl est disponible sous licence Apache-2.0. Ses principaux thèmes sont : ai, autograd, deep-learning, deep-neural-networks.

Frequently asked questions

Qu'est-ce que djl ?

Un cadre d'apprentissage profond indépendant du moteur en Java.

djl est-il open source ?

djl est un projet open source. Il est distribué sous licence Apache-2.0.

djl est-il gratuit ?

Oui. djl est gratuit et open source — vous pouvez l'utiliser, le modifier et l'héberger vous-même.

Sous quelle licence est djl ?

djl est disponible sous licence Apache-2.0.

Dans quel langage djl est-il écrit ?

djl est écrit principalement en Java.

🏅 Mainteneur de ce projet ?
olud.ai badge — djl

Ajoutez ce badge en direct à votre README — vos étoiles GitHub et votre classement dans le répertoire, actualisés quotidiennement.

[![olud.ai](https://olud.ai/badge.php?tool=deepjavalibrary-djl)](https://olud.ai/project/deepjavalibrary-djl.html)
Plus d'options de badge →
🧬 Partage son ADN avec🧬 Voir la cartographie ADN →

Mesuré à partir des topics GitHub communs aux deux projets, pondérés par leur rareté.