API接口：
BigDL提供的API接口覆盖了数据读取，特征转换，模型定义，模型训练的完整流程，且为Local和Spark两种模式同时提供了支持，使用时可以轻易的将模型迁移至Hadoop之上的大规模数据集，十分便利。
数据读取：
Tensor: 对训练数据及模型参数的抽象，定义了dense和sparse两种实现。
Sample: 对应一条训练样本，包含由一个至多个Tensor构成的Feature及同样由一至多个Tensor构成的Label（监督学习）。
Minibatch：由多条固定大小训练样本构成的batch，定义了dense和sparse两种实现，与Tensor类型一一对应。
DataSet: 对训练数据集的抽象，由多条训练数据集组成，定义了按batch读取数据的方法。提供了Local和Distributed两种实现，对应不同的使用环境。
特征转换：
Transformer: 为数据预处理和特征转换提供的接口，预置了很多常用的实现，也可以自行扩展。
模型定义：
为降低使用难度，BigDL提供了一套与Keras极为相似的API, 熟悉Keras的开发者可以十分轻易的上手。
Model：用于构建神经网络，和Keras一样，提供了Sequential和Functional两种定义模型的方法。
Layer：神经网络层，预置了很多常用的实现，同样可以自行扩展。
模型训练/评估：
Criterion：对损失函数的抽象，对常见的损失函数均提供了支持。
Optimizer：封装了模型优化的流程，同时实现了Local和Distributed两个版本，对常见的优化算法和学习策略均提供了支持。
网友评论