Java DJL通过内置引擎抽象和原生库绑定，纯Java调用PyTorch（基于torch-jni）与TensorFlow（基于tensorflow-java），支持统一Model/Predictor接口、自动下载native库、跨引擎代码复用，专注推理场景。
Java DJL 可以直接集成 PyTorch 和 TensorFlow 模型，无需自己封装 JNI 或调用 Python 进程，核心靠的是内置的引擎抽象和原生库绑定。它不是简单地“调用”PyTorch/TensorFlow，而是通过统一的 Model、Predictor、NDArray 接口，底层自动加载对应引擎的 native library（如 libtorch.so / libtensorflow.so），实现纯 Java 调用。
PyTorch 引擎支持：基于 LibTorch 的 Java 绑定
DJL 使用 Facebook 官方维护的 torch-jni 库（即 LibTorch 的 Java 封装），所有 PyTorch 操作最终转为 C++ 执行。你不需要安装 Python 或 PyTorch 环境。
- 添加依赖（Maven）：
ai.djl.pytorch
pytorch-engine
0.27.0
- 模型格式支持：.pt（ScriptModule）、.zip（TorchScript）、.pth（state dict + 自定义加载逻辑）；推荐用 TorchScript 导出，保证跨语言兼容性。
- 自动下载 native 库：首次运行时，DJL 根据操作系统和 CPU/GPU 自动拉取对应版本的 libtorch（如 linux-x86_64-cu118），缓存在 ~/.djl.ai/cache。
TensorFlow 引擎支持：基于 TensorFlow Java API
DJL 使用 Google 官方 tensorflow-java 项目（非 JNI 封装，而是基于 TensorFlow C API 的 Java binding），支持 SavedModel 和 Frozen Graph（.pb）。
- 添加依赖：
ai.djl.tensorflow
tensorflow-engine
0.27.0
- SavedModel 是首选：目录结构含 assets/、variables/、saved_model.pb，DJL 可直接 load；Frozen Graph 需指定输入/输出 tensor name。
- CPU/GPU 自动识别：依赖 tensorflow-java 的 native 分发，不需手动配置 CUDA，但 GPU 支持需对应版本（如 tensorflow-java-gpu）。
统一建模流程：写一次代码，切换引擎只需改依赖和模型路径
无论 PyTorch 还是 TensorFlow，加载、预处理、推理、后处理都用同一套 DJL 接口：
- Model model = Model.newInstance("my-model");
model.load(ModelZoo.getModel(modelUrl), "src/main/resources/my-model"); - Predictor
predictor = model.newPredictor(ImageFactory.getInstance()); - Classifications result = predictor.predict(ImageFactory.getInstance().fromUrl(imageUrl));
- 引擎自动选择：model.load() 时根据模型文件后缀或 metadata.json 中的 engine 字段（如 "PYTORCH" 或 "TENSORFLOW"）决定使用哪个 Engine 实例。
注意事项与常见问题
- 版本对齐很重要：DJL 版本、引擎模块版本、native 库版本需匹配；建议统一用 DJL 官方发布的 BOM（如 ai.djl:bom:0.27.0）管理依赖。
- GPU 支持需额外依赖：PyTorch 加
pytorch-native-auto-cu118，TensorFlow 加tensorflow-java-gpu，且系统需装对应 CUDA/cuDNN。 - 自定义算子或训练暂不支持：DJL 当前聚焦于推理（inference）；PyTorch 训练需回 Python，TensorFlow 可用 TF Java 做部分图构建，但 DJL 不封装训练 loop。
Java免费学习笔记：立即使用
解锁 Java 大师之旅：从入门到精通的终极指南
