解决Karaf应用中DJL“未找到深度学习引擎”错误-java教程-PHP中文网

解决Karaf应用中DJL“未找到深度学习引擎”错误

花韻仙語

发布： 2025-10-29 13:09:37

原创

275人浏览过

解决Karaf应用中DJL“未找到深度学习引擎”错误

本文旨在解决在karaf等osgi容器中使用deep java library (djl)时出现的“no deep learning engine found”错误。该问题通常源于djl依赖的服务加载机制（service loader）在osgi环境下的兼容性挑战，特别是`meta-inf/services/ai.djl.engine.engineprovider`文件在打包或重新打包过程中丢失或不可访问。教程将详细分析问题根源，并提供一系列解决方案，包括正确配置依赖、验证bundle内容以及遵循djl推荐的打包实践，确保djl引擎能够被karaf应用正确识别和加载。

DJL在Karaf应用中“未找到深度学习引擎”错误解析与解决方案

在使用Deep Java Library (DJL) 构建AI应用时，尤其是在Karaf这类OSGi容器环境中，开发者可能会遇到“No deep learning engine found”的错误。尽管DJL模型在Karaf外部能够正常运行，但在将其作为Karaf Bundle部署时却无法加载PyTorch等深度学习引擎。这通常指向了OSGi环境与DJL内部服务加载机制之间的冲突。

1. 问题根源分析：Service Loader与OSGi环境

DJL通过Java的Service Loader机制来发现和加载其深度学习引擎（如PyTorch、TensorFlow等）。Service Loader依赖于JAR包内部的META-INF/services目录下的特定文件（例如，对于DJL引擎，通常是META-INF/services/ai.djl.engine.EngineProvider）。这些文件包含了引擎提供者的全限定类名，Java虚拟机在运行时通过它们来实例化相应的服务。

在Karaf这样的OSGi容器中，每个模块都被视为一个独立的Bundle，拥有自己的类加载器和可见性规则。当一个JAR包被重新打包为OSGi Bundle时，或者在Bundle部署过程中，META-INF/services目录下的文件可能会出现以下问题：

文件丢失： 在Bundle构建过程中，打包工具可能没有正确地将META-INF/services目录及其内容包含到最终的Bundle JAR中。
可见性问题： 即使文件存在，由于OSGi的类加载器隔离机制，Service Loader可能无法从正确的Bundle或其依赖的Bundle中找到这些服务提供者文件。
依赖冲突： DJL引擎及其原生库（如pytorch-native-cpu）可能与Karaf环境中的其他库版本产生冲突。

2. 核心依赖与正确配置

为了使DJL在Karaf中正常工作，必须确保所有必要的DJL组件及其依赖都被正确地打包为Karaf Bundle，并且Service Loader能够访问到它们。以下是通常需要包含的关键依赖及其作用：

<!-- 假设使用Maven管理Karaf Features -->
<features name="djl-application-features">
    <feature name="djl-pytorch-engine">
        <bundle>mvn:ai.djl:api:0.19.0</bundle>
        <bundle>mvn:ai.djl.pytorch:pytorch-engine:0.19.0</bundle>
        <!-- PyTorch原生CPU库，根据需要选择GPU或CPU版本 -->
        <bundle>mvn:ai.djl.pytorch:pytorch-native-cpu:1.13.0</bundle>
        <!-- JNA是DJL与原生库交互的关键依赖 -->
        <bundle>mvn:net.java.dev.jna:jna:5.12.1</bundle>
        <bundle>mvn:org.apache.commons:commons-compress:1.21</bundle>
        <!-- 其他DJL可能需要的依赖，例如model-zoo等 -->
        <!-- <bundle>mvn:ai.djl:model-zoo:0.19.0</bundle> -->
    </feature>
</features>

登录后复制

依赖说明：

ai.djl:api: DJL的核心API，所有DJL应用的基础。
ai.djl.pytorch:pytorch-engine: PyTorch深度学习引擎的DJL实现。
ai.djl.pytorch:pytorch-native-cpu: PyTorch引擎所需的底层原生库（CPU版本）。请务必根据目标部署环境选择正确的原生库（CPU/GPU）。
net.java.dev.jna:jna: Java Native Access，DJL用于与原生库（如PyTorch原生库）进行交互的工具。
org.apache.commons:commons-compress: DJL在处理模型文件（通常是压缩格式）时可能需要此库。

3. 解决方案与最佳实践

解决“No deep learning engine found”错误的关键在于确保META-INF/services文件在Karaf Bundle中正确存在且可被Service Loader访问。

3.1 验证Bundle内容

这是最直接的诊断方法。部署Bundle后，您可以通过以下步骤检查其内容：

无阶未来模型擂台/AI 应用平台

无阶未来模型擂台/AI 应用平台，一站式模型+应用平台

查看详情

检查Bundle JAR包： 使用解压工具（如WinRAR, 7-Zip或命令行jar tvf your-bundle.jar）打开您部署到Karaf的DJL相关Bundle JAR文件。
定位META-INF/services： 确保ai.djl.pytorch:pytorch-engine这个Bundle中包含META-INF/services/ai.djl.engine.EngineProvider文件。这个文件应该包含ai.djl.pytorch.engine.PyTorchEngineProvider这一行。
检查其他DJL Bundle： 对于其他DJL相关的Bundle（如api或model-zoo），也应检查它们是否包含各自的服务提供者文件。

如果该文件缺失，说明您的Bundle构建过程存在问题，需要调整构建脚本（如Maven maven-bundle-plugin配置）。

3.2 OSGi Bundle的Manifest配置

在OSGi环境中，Bundle的META-INF/MANIFEST.MF文件至关重要。确保以下几点：

Import-Package： 您的应用Bundle需要正确导入DJL引擎Bundle导出的包，以及JNA、Commons Compress等依赖的包。
Export-Package： 如果您创建了一个包含DJL引擎的聚合Bundle，请确保它正确导出了DJL引擎相关的包，以便其他Bundle可以使用。
Service-Component： 对于更复杂的OSGi服务，可以考虑使用OSGi Declarative Services (DS) 来管理和暴露DJL引擎服务，但这通常不是Service Loader问题的直接解决方案。

3.3 参考DJL的打包示例

DJL官方提供了一些打包示例，其中djl-demo/development/fatjar项目虽然是针对Fat Jar的，但其核心思想是确保所有必要的资源（包括META-INF/services文件）都被正确聚合到最终的发布工件中。在Karaf环境中，这意味着每个Bundle都应该独立地包含其所需的Service Loader文件，或者通过适当的Import-Package / Export-Package机制使这些服务在Bundle之间可见。

构建工具配置建议（以Maven为例）： 如果您使用Maven的maven-bundle-plugin来创建OSGi Bundle，请确保其配置允许包含META-INF/services目录。通常，默认配置会包含，但如果自定义了资源过滤，可能会意外移除。

<plugin>
    <groupId>org.apache.felix</groupId>
    <artifactId>maven-bundle-plugin</artifactId>
    <version>5.1.8</version> <!-- 使用最新版本 -->
    <extensions>true</extensions>
    <configuration>
        <instructions>
            <Bundle-SymbolicName>${project.artifactId}</Bundle-SymbolicName>
            <Bundle-Version>${project.version}</Bundle-Version>
            <Export-Package>
                <!-- 导出你的应用需要的包 -->
            </Export-Package>
            <Import-Package>
                <!-- 导入DJL以及其他依赖的包 -->
                ai.djl.*,
                net.java.dev.jna.*,
                org.apache.commons.compress.*,
                org.slf4j.*,
                * <!-- 或者更具体的导入 -->
            </Import-Package>
            <!-- 确保META-INF/services被包含 -->
            <_include>-osgi.jar</_include>
        </instructions>
    </configuration>
</plugin>

登录后复制

3.4 Karaf的Classloader委派

在某些情况下，Karaf的类加载器委派策略可能会影响Service Loader的发现。确保DJL相关的Bundle没有被配置为隔离度过高，或者尝试将DJL核心API和引擎Bundle设置为共享依赖，以便所有Bundle都能访问。

4. 总结

在Karaf等OSGi容器中集成DJL并解决“No deep learning engine found”错误，核心在于理解Java Service Loader机制以及OSGi的Bundle隔离特性。关键步骤包括：

确认所有DJL相关依赖（API、引擎、原生库、JNA等）都作为Karaf Bundle正确部署。
验证ai.djl.pytorch:pytorch-engine Bundle中META-INF/services/ai.djl.engine.EngineProvider文件的存在和内容。
检查OSGi Bundle的MANIFEST.MF文件，确保Import-Package和Export-Package配置正确。
在Bundle构建过程中，确保Service Loader所需的META-INF/services资源没有被意外排除。

通过以上步骤，可以有效地诊断并解决DJL引擎在Karaf应用中无法加载的问题，确保AI功能在OSGi环境下的稳定运行。

以上就是解决Karaf应用中DJL“未找到深度学习引擎”错误的详细内容，更多请关注php中文网其它相关文章！