linux mlpack C++開發筆記

linux(ubuntu) mlpack C++開發筆記

　　一般在項目開發中,對算法進行性能評估的時候,我會選擇python進行數據處理,以及算法評估,評估完成后,為了將算法整合進項目中,就得利用C++/C來實現,主要是因為在涉及大批量數據處理時,python的效率實在捉襟見肘.

　　mlpack是一個利用C++編寫的機器學習庫,以其強大,靈活著稱.官網地址:   http://www.mlpack.org/         

　　官網也有安裝指南https://www.mlpack.org/doc/mlpack-3.1.1/doxygen/build.html,從源碼編譯,過程摘抄如下:

　　需要先安裝一些依賴:

　　# apt-get install libboost-math-dev libboost-program-options-dev libboost-test-dev libboost-serialization-dev libarmadillo-dev binutils-dev

python-pandas python-numpy cython python-setuptools

　　主要用到的是armadillo(一個線性代數庫). boost等,想要看懂源碼的話需要了解一下armadillo的一些常見類型與操作(主要就是矩陣操作).

 

 

　　$ wget https: //www.mlpack.org/files/mlpack-3.1.1.tar.gz

　　$ tar -xvzpf mlpack-3.1.1.tar.gz

　　$ mkdir mlpack-3.1.1/build && cd mlpack-3.1.1/build

　　$ cmake ../

　　$ make -j4 # The -j is the number of cores you want to use for a build.

　　$ sudo make install

 

假設我們已經按照上述步驟完成了安裝,接下來使用kmeans算法對數據進行cluster(選擇最簡單的naive_kmeans,其他方式見--help,或者看一下源碼,注釋很詳細):

#include <stdio.h>

#include "mlpack/core.hpp"

#include "mlpack/core.hpp"

#include "mlpack/core/data/load.hpp"

#include "mlpack/methods/kmeans/kmeans.hpp"

using namespace arma;

using namespace mlpack;

using namespace mlpack::kmeans;

int main(){

　　std::cout<<"loading data"<<endl;

　　arma::mat dataset;//matrice

　　arma::mat centroids;// 聚類的中心點

　　arma::Row<size_t> assignments;//result

　　bool loaded = mlpack::data::Load("src_file.csv", dataset);//dataset 存儲讀入的數據, mlpack的讀入的數據是以列為存儲對象的,load函數會自動

　　//完成轉置

　　if(load == false){return -1;}

　　KMeans<>k;//全部選擇默認配置

　　k.Cluster(dataset, 2, assignments, centroids);//2 代表分為兩類, assignments存儲每個數據對應的類別

　　//輸出結果

　　for(auto i = 0; i < assignments.size(); i++){

　　　　std::cout<<assignments.col(i)<<std::endl;

　　}

　　return 0;

}

編譯語句:

　　g++ -g src.cpp -std==c++11 -o test.o -lmlpack -larmadillo

更多示例在:https://www.mlpack.org/doc/mlpack-3.1.1/doxygen/kmtutorial.html

//遇到無法連接到mllpack的error :export LD_LIBRARY_PATH=/usr/local/lib

//遇到其他無法找到的*.so, 先找到so文件的位置:/home/anaconda3/lib/*.so,接着:

export LD_LIBRARY_PATH="/home/anaconda3/lib/:$LD_LIBRARY_PATH"