介紹
我喜歡使用C＋＋。C＋＋是我學(xué)習(xí)過的第一種編程語言，我喜歡在機器學(xué)習(xí)中使用它。
我在之前寫過關(guān)于構(gòu)建機器學(xué)習(xí)模型的文章，我收到了一個回復(fù)，問我C＋＋有沒有機器學(xué)習(xí)的庫？
這是個很好的問題。像Python和R這樣的語言有大量的包和庫來滿足不同的機器學(xué)習(xí)任務(wù)，那么C＋＋有沒有這樣的產(chǎn)品呢？
是的！在本文中，我將重點介紹兩個這樣的C＋＋庫，我們也將看到它們都是可以運行。目錄為什么我們要使用機器學(xué)習(xí)庫？C＋＋中的機器學(xué)習(xí)庫SHARK 圖書館MLPACK庫為什么我們要使用機器學(xué)習(xí)庫？這是很多新來者都會遇到的問題，庫對于機器學(xué)習(xí)中的重要性是什么？讓我試著在這一節(jié)解釋一下。比如說，經(jīng)驗豐富的專業(yè)人士和行業(yè)老手已經(jīng)付出了艱辛的努力，并想出了解決問題的辦法。你更愿意使用它，還是愿意花幾個小時從頭開始重新創(chuàng)建相同的東西？后一種方法通常沒有什么意義，尤其是當(dāng)你在DDL前的工作或?qū)W習(xí)。我們的機器學(xué)習(xí)社區(qū)最大的優(yōu)點是已經(jīng)有很多解決方案以庫和包的形式存在，其他一些人，從專家到愛好者，已經(jīng)做了艱苦的工作，并將解決方案很好地打包在一個庫中。這些機器學(xué)習(xí)庫是有效的和優(yōu)化的，它們經(jīng)過了多個用例的徹底測試。依靠這些庫，我們的學(xué)習(xí)能力和編寫代碼，無論是在C＋＋或Python，都是如此的簡單和直觀。C＋＋中的機器學(xué)習(xí)庫在本節(jié)中，我們將介紹C＋中兩個最流行的機器學(xué)習(xí)庫：SHARK庫MLPACK庫讓我們逐一查看他們的介紹和C＋＋代碼。1．SHARK庫Shark是一個快速的模塊庫，它對監(jiān)督學(xué)習(xí)算法（如線性回歸、神經(jīng)網(wǎng)絡(luò)、聚類、k－means等）提供了強大的支持，還包括線性代數(shù)和數(shù)值優(yōu)化的功能，這些是在執(zhí)行機器學(xué)習(xí)任務(wù)時非常重要的關(guān)鍵數(shù)學(xué)函數(shù)。我們將首先了解如何安裝Shark并設(shè)置環(huán)境，然后我們將用Shark實現(xiàn)線性回歸。安裝Shark和安裝環(huán)境（Linux）Shark依賴于Boost和cmake，幸運的是，可以使用以下命令安裝所有依賴項：sudo apt－get install cmake cmake－curses－gui libatlas－base－dev libboost－all－dev要安裝Shark，請在終端中逐行運行以下命令：gitt clone https：／／github．com／Shark－ML／Shark．git （you can download the zip file and extract as well）cd Sharkmkdir buildcd buildcmake ．．make如果你沒見到錯誤，那就沒問題了。如果你遇到麻煩，網(wǎng)上有很多解決信息。對于Windows和其他操作系統(tǒng)，你可以在Google上快速搜索如何安裝Shark。這有一份安裝指南：http：／／www．shark－ml．org／sphinx＿pages／build／html／rest＿sources／tutorials／tutorials．html使用Shark編譯程序
包括相關(guān)的頭文件。假設(shè)我們要實現(xiàn)線性回歸，那么額外的頭文件包括：
＃include ＜shark／ObjectiveFunctions／Loss／SquaredLoss．h＞＃include ＜shark／Algorithms／Trainers／LinearRegression．h＞
編譯需要鏈接到以下庫：
－std＝c＋＋11 －lboost＿serialization －lshark －lcblas
用Shark實現(xiàn)線性回歸初始化階段我們將從包含線性回歸的庫和頭函數(shù)開始：＃include ＜bits／stdc＋＋．h＞ ／／所有c＋＋標(biāo)準(zhǔn)庫的頭文件＃include ＜shark／Data／Csv．h＞ ／／導(dǎo)入csv數(shù)據(jù)的頭文件＃include ＜shark／ObjectiveFunctions／Loss／SquaredLoss．h＞ ／／用于實現(xiàn)平方損失函數(shù)的頭文件＃include ＜shark／Algorithms／Trainers／LinearRegression．h＞／／ 實現(xiàn)線性回歸的頭文件接下來是數(shù)據(jù)集。我已經(jīng)創(chuàng)建了兩個CSV文件。這個input．csv文件包含x值、label．csv文件包含y值。以下是數(shù)據(jù)的快照：
你可以在github倉庫得到這2個文件：https：／／github．com／Alakhator／Machine－Learning－With－C－。首先，我們將制作用于存儲CSV文件中數(shù)據(jù)的數(shù)據(jù)容器：Data＜RealVector＞ inputs； ／／存儲x值的容器Data＜RealVector＞ labels； ／／存儲y值的容器接下來，我們需要導(dǎo)入它們。Shark提供了一個很好的導(dǎo)入CSV函數(shù)，我們指定了要初始化的數(shù)據(jù)容器，以及CSV的路徑文件的位置：importCSV（inputs， ＂input．csv＂）； ／／ 通過指定csv的路徑將值存儲在特定的容器中importCSV（labels， ＂label．csv＂）；然后，我們需要實例化一個回歸數(shù)據(jù)集類型。目前這只是一個一般的回歸對象，我們在構(gòu)造函數(shù)中要做的是傳遞我們的輸入以及數(shù)據(jù)的標(biāo)簽。接下來，我們需要訓(xùn)練線性回歸模型。我們怎么做呢？我們需要實例化一個訓(xùn)練器，并定義一個線性模型：RegressionDataset data（inputs， labels）；LinearRegression trainer；／／ 線性回歸模型訓(xùn)練器LinearModel＜＞ model； ／／ 線性模型訓(xùn)練階段接下來是我們實際訓(xùn)練模型的關(guān)鍵步驟。在這里，trainer有一個名為train的成員函數(shù)，我們用函數(shù)訓(xùn)練這個模型／／訓(xùn)練模型trainer．train（model， data）；／／ train function ro training the model．預(yù)測階段最后，輸出模型參數(shù)：／／ 顯示模型參數(shù)cout ＜＜ ＂intercept： ＂ ＜＜ model．offset（） ＜＜ endl；cout ＜＜ ＂matrix： ＂ ＜＜ model．matrix（） ＜＜ endl；線性模型有一個名為offset的成員函數(shù)，輸出最佳擬合線的截距。接下來，我們輸出一個矩陣。我們通過最小化最小平方來計算最佳擬合，也就是最小化平方損失。幸運的是，模型允許我們輸出這些信息。Shark庫非常有助于說明模型的適用性：SquaredLoss＜＞ loss； ／／初始化square loss對象Data＜RealVector＞ prediction ＝ model（data．inputs（））； ／／根據(jù)數(shù)據(jù)輸入預(yù)測cout ＜＜ ＂squared loss： ＂ ＜＜ loss（data．labels（）， prediction） ＜＜ endl； ／／ 最后我們計算損失首先，我們需要初始化一個平方損失對象，然后我們需要實例化一個數(shù)據(jù)容器，接下來根據(jù)系統(tǒng)的輸入計算預(yù)測，最后我們只需通過傳遞標(biāo)簽和預(yù)測值來計算輸出損失。接下來，我們需要編譯。在終端中，鍵入以下命令（確保正確設(shè)置了目錄）：g＋＋ －o lr linear＿regression．cpp －std＝c＋＋11 －lboost＿serialization －lshark －lcblas一旦編譯，它就會創(chuàng)建一個lr對象?，F(xiàn)在只需運行程序。我們得到的結(jié)果是：b ： ［1］（－0．749091）A ：［1，1］（（2．00731））Loss： 7．83109b的值離0有點遠(yuǎn)，這是因為標(biāo)簽中存在噪聲。乘數(shù)的值接近于2，與數(shù)據(jù)非常相似。這就是使用c＋＋中的Shark庫來構(gòu)建線性回歸模型的過程！2．MLPACK C＋＋庫mlpack是一個用c＋＋編寫的快速靈活的機器學(xué)習(xí)庫。它的目標(biāo)是提供快速和可擴展的機器學(xué)習(xí)算法的實現(xiàn)。mlpack可以將這些算法作為簡單的命令行程序、或綁定Python、Julia和c＋＋，然后可以將這些類集成到更大規(guī)模的機器學(xué)習(xí)解決方案中。我們將首先了解如何安裝mlpack和環(huán)境，然后我們將使用mlpack實現(xiàn)k－means算法。安裝mlpack和安裝環(huán)境（Linux）mlpack依賴于以下庫，這些庫需要安裝在系統(tǒng)上：Armadillo ＞＝ 8．400．0 （with LAPACK support）Boost （math＿c99， program＿options， serialization， unit＿test＿framework， heap， spirit） ＞＝ 1．49ensmallen ＞＝ 2．10．0在Ubuntu和Debian中，你可以通過apt獲得所有這些依賴項：sudo apt－get install libboost－math－dev libboost－program－options－dev libboost－test－dev libboost－serialization－dev binutils－dev python－pandas python－numpy cython python－setuptools現(xiàn)在所有依賴項都已安裝在系統(tǒng)中了，可以直接運行以下命令來生成和安裝mlpack：wgettar －xvzpf mlpack－3．2．2．tar．gzmkdir mlpack－3．2．2／build ＆＆ cd mlpack－3．2．2／buildcmake ．．／make －j4 ＃ The －j is the number of cores you want to use for a buildsudo make install在許多Linux系統(tǒng)上，mlpack默認(rèn)安裝為／usr／local／lib，你可能需要設(shè)置LD＿LIBRARY＿PATH環(huán)境變量：export LD＿LIBRARY＿PATH＝／usr／local／lib上面的說明是獲取、構(gòu)建和安裝mlpack的最簡單方法。用mlpack編譯程序在你的程序中設(shè)置相關(guān)的頭文件（實現(xiàn)k－means）：＃include ＜mlpack／methods／kmeans／kmeans．hpp＞＃include ＜armadillo＞編譯需要鏈接以下庫：std＝c＋＋11 －larmadillo －lmlpack －lboost＿serialization用mlpack實現(xiàn)K－MeansK－means是一個基于質(zhì)心的算法，在這里我們通過計算距離來將一個點分配給一個簇。在K－Means中，每個簇都與一個質(zhì)心相關(guān)聯(lián)。K－Means算法的主要目標(biāo)是最小化點與它們各自的簇質(zhì)心之間的距離之和。K－means是一個有效的迭代過程，我們希望將數(shù)據(jù)分割成特定的簇。首先，我們指定一些初始質(zhì)心，這些質(zhì)心是完全隨機的；接下來，對于每個數(shù)據(jù)點，我們找到最近的質(zhì)心；然后我們將數(shù)據(jù)點指定給那個質(zhì)心。所以每個質(zhì)心代表一個類，一旦我們把所有的數(shù)據(jù)點分配給每個質(zhì)心，我們就會計算出這些質(zhì)心的平均值。這里，我們將使用C＋＋中的MLPACK庫來實現(xiàn)k－均值。初始化階段我們將首先導(dǎo)入k－means的庫和頭函數(shù)：＃include ＜bits／stdc＋＋．h＞＃include ＜mlpack／methods／kmeans／kmeans．hpp＞＃include ＜armadillo＞Using namespace std；接下來，我們將創(chuàng)建一些基本變量來設(shè)置簇的數(shù)量、數(shù)據(jù)的維度、樣本的數(shù)量以及我們要執(zhí)行的最大迭代次數(shù)，因為K－均值是一個迭代過程。＃include ＜bits／stdc＋＋．h＞＃include ＜mlpack／methods／kmeans／kmeans．hpp＞＃include ＜armadillo＞Using namespace std；接下來，我們將創(chuàng)建數(shù)據(jù)。這是我們第一次使用Armadillo庫，我們將創(chuàng)建一個映射類，它實際上是一個數(shù)據(jù)容器：arma：：mat data（dim， samples， arma：：fill：：zeros）；這個mat類，我們給它2維，50個樣本，它初始化所有這些數(shù)據(jù)值為0。接下來，我們將向這個數(shù)據(jù)類分配一些隨機數(shù)據(jù)，然后在其上有效地運行K－means。將在位置［1 1］周圍創(chuàng)建25個點，我們可以說每個數(shù)據(jù)點是［1 1］或者在X ＝ 1，y ＝ 1的位置，然后我們要為這25個數(shù)據(jù)點中的每一個加一些隨機噪聲。／／ 創(chuàng)建數(shù)據(jù) int i ＝ 0； for（； i ＜ samples ／ 2； ＋＋i） ｛ data．col（i） ＝ arma：：vec（｛1， 1｝） ＋ 0．25＊arma：：randn＜arma：：vec＞（dim）； ｝ for（； i ＜ samples； ＋＋i） ｛ data．col（i） ＝ arma：：vec（｛2， 3｝） ＋ 0．25＊arma：：randn＜arma：：vec＞（dim）； ｝這里，對于從0到25的i，基本位置是X ＝ 1，y ＝ 1，然后我們要添加一定數(shù)量的維度為2的隨機噪聲，最后我們對點x＝2，y＝3做同樣的操作。我們的數(shù)據(jù)已經(jīng)準(zhǔn)備好了！是時候進(jìn)入訓(xùn)練階段了。訓(xùn)練階段首先，我們實例化一個arma mat行類型來保存簇，然后實例化一個arma mat來保存質(zhì)心：／／對數(shù)據(jù)進(jìn)行聚類arma：：Row＜size＿t＞ clusters；arma：：mat centroids；現(xiàn)在，我們需要實例化K－means類：mlpack：：kmeans：：KMeans＜＞ mlpack＿kmeans（max＿iter）；我們實例化了K－means類，并指定了傳遞給構(gòu)造函數(shù)的最大迭代次數(shù)。現(xiàn)在，我們可以進(jìn)行聚類了。我們將調(diào)用這個K－means類的Cluster成員函數(shù)。我們需要傳入數(shù)據(jù)、簇的數(shù)量，然后還要傳入簇對象和質(zhì)心對象。mlpack＿kmeans．Cluster（data， k， clusters， centroids）；現(xiàn)在，這個Cluster函數(shù)將使用指定數(shù)量的簇對這個數(shù)據(jù)運行K－means生成結(jié)果我們可以使用centroids．print函數(shù)簡單地顯示結(jié)果，這將給出質(zhì)心的位置：centroids．print（＂Centroids：＂）；接下來，我們需要編譯。在終端中，鍵入以下命令（再次確認(rèn)目錄設(shè)置正確）：g＋＋ k＿means．cpp －o kmeans＿test －O3 －std＝c＋＋11 －larmadillo －lmlpack －lboost＿serialization ＆＆ ．／kmeans＿test一旦編譯，它就會創(chuàng)建一個kmeans對象。現(xiàn)在只需運行程序。我們得到的結(jié)果是：Centroids：0．9497 1．96250．9689 3．0652結(jié)尾在本文中，我們看到了兩個流行的機器學(xué)習(xí)庫，它們幫助我們在c＋＋中實現(xiàn)機器學(xué)習(xí)模型。參考鏈接：https：／／www．a(chǎn)nalyticsvidhya．com／blog／2020／05／introduction－machine－learning－libraries－c／
（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
