如何减小引入Deeplearning4j后导出Jar包的依赖体积

可以大幅缩减Deeplearning4j的依赖体积，加载已训练完成的网络做推理可以进一步减小发布包体积，具体优化方法如下：

核心依赖裁剪方法 #

• 首先裁剪平台相关原生依赖：Deeplearning4j默认引入了全平台（Windows/macOS/Linux/Android）、全硬件支持（CPU/各类GPU）的ND4J原生运行包，这部分是依赖体积大的核心原因。你只需要在构建配置中排除所有非目标运行平台的原生包，仅保留你发布场景对应的平台依赖，即可砍掉70%以上的基础依赖体积，单平台CPU依赖的体积可压缩至20MB以内。
• 排除非必要功能模块：默认引入的Deeplearning4j完整包包含了数据预处理、分布式训练、多领域神经网络层实现（CV/NLP/时序预测等）等大量你可能用不到的组件，你可以按需仅引入推理必须的核心模块，不需要的模块全部排除即可进一步缩减体积。

预训练模型推理的额外优化 #

使用已训练完成的网络做推理，确实可以大幅减小最终发布包体积：

• 可以完全移除所有训练相关依赖，包括优化器实现、梯度计算、训练评估相关的代码包，这部分占核心依赖的30%左右，推理阶段完全不需要引入。
• 可以将训练好的模型通过ModelSerializer导出为仅包含推理必需的网络结构和权重的精简格式，剔除训练过程产生的中间参数、优化器状态等冗余内容，模型本身的体积也会有明显缩减。
• 针对纯推理场景，你可以不用引入完整的Deeplearning4j开发栈，改用专门为发布场景优化的dl4j-inference轻量库，该库完全剔除了训练相关代码，最小完整依赖体积可以控制在10MB以内。

内容的提问来源于stack exchange，提问作者Joehot200