C++ 和機(jī)器學(xué)習(xí)：使用 C++ 執(zhí)行 ML 任務(wù)的簡(jiǎn)介

介紹

C++ 是一種高性能編程語言，非常適合機(jī)器學(xué)習(xí)( ML ) 任務(wù)。盡管它在 ML 中可能不像 Python 或 R 那樣流行，但它在速度和內(nèi)存效率方面具有優(yōu)勢(shì)。

在本文中，我們將概述使用 C++ 執(zhí)行 ML 任務(wù)。

C++ 中的 ML 庫(kù)

C++ 中有幾個(gè)用于機(jī)器學(xué)習(xí)的庫(kù)，包括：

TensorFlow：TensorFlow 是由 Google 開發(fā)的一個(gè)流行的 ML 庫(kù)，用 C++ 和 Python 編寫。TensorFlow 提供了一套廣泛的工具來構(gòu)建和部署 ML 模型，包括對(duì)深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的支持。OpenCV：OpenCV 是一個(gè)用 C++ 編寫的開源計(jì)算機(jī)視覺庫(kù)。OpenCV 提供了廣泛的圖像和視頻處理工具，包括特征檢測(cè)、對(duì)象識(shí)別和人臉檢測(cè)。Dlib：Dlib 是一個(gè)用于機(jī)器學(xué)習(xí)的 C++ 庫(kù)，由 Davis King 開發(fā)。Dlib 提供了對(duì)象檢測(cè)、人臉識(shí)別和圖像處理等工具。LightGBM：LightGBM 是一個(gè)用 C++ 編寫的快速且高性能的梯度提升庫(kù)。它為使用梯度提升算法構(gòu)建 ML 模型提供了可擴(kuò)展且高效的解決方案。XGBoost：XGBoost 是另一個(gè)用 C++ 編寫的梯度提升庫(kù)。XGBoost 提供了用于構(gòu)建決策樹和樹集合的工具，使其成為解決復(fù)雜 ML 問題的熱門選擇。Eigen：一個(gè)用于線性代數(shù)運(yùn)算的 C++ 庫(kù)，通常在 ML 中用于矩陣計(jì)算。使用 C++ 進(jìn)行 ML 的優(yōu)勢(shì)

將 C++ 用于 ML 任務(wù)的一些優(yōu)勢(shì)包括：

速度：C++ 是一種編譯型語言，這意味著它可以比 Python 等解釋型語言更快地執(zhí)行代碼。內(nèi)存效率：C++ 是一種低級(jí)語言，可直接控制內(nèi)存使用，這在處理大型數(shù)據(jù)集時(shí)非常重要。可移植性：C++ 代碼可以在廣泛的平臺(tái)上編譯和運(yùn)行，使其成為構(gòu)建需要在不同操作系統(tǒng)上運(yùn)行的 ML 應(yīng)用程序的不錯(cuò)選擇。與現(xiàn)有代碼集成：C++ 通常用于金融和工程等行業(yè)，其中可能存在需要與 ML 模型集成的現(xiàn)有代碼庫(kù)。將 C++ 用于 ML 的挑戰(zhàn)將 C++ 用于 ML 任務(wù)也會(huì)帶來一些挑戰(zhàn)，包括：陡峭的學(xué)習(xí)曲線：C++ 是一種復(fù)雜的語言，需要大量的經(jīng)驗(yàn)和技能才能有效使用。缺乏庫(kù)：雖然 C++ 中有幾個(gè)可用于 ML 的庫(kù)，但生態(tài)系統(tǒng)不如 Python 豐富。缺乏靈活性：C++ 可能不如解釋型語言靈活，這使得嘗試不同的 ML 技術(shù)變得更加困難。調(diào)試：C++ 比解釋語言更難調(diào)試，因?yàn)樗�是一種編譯語言。代碼復(fù)雜性：用 C++ 編寫代碼可能比用解釋型語言編寫代碼更復(fù)雜，因?yàn)?C++ 提供了對(duì)硬件的更多低級(jí)控制。使用 C++ 進(jìn)行機(jī)器學(xué)習(xí)的基本步驟

要將 C++ 用于 ML 任務(wù)，你需要遵循以下基本步驟：

數(shù)據(jù)預(yù)處理：在此步驟中，你將通過清理、轉(zhuǎn)換和規(guī)范化數(shù)據(jù)來為機(jī)器學(xué)習(xí)任務(wù)準(zhǔn)備數(shù)據(jù)。模型構(gòu)建：接下來，你將使用 TensorFlow 或 OpenCV 等 C++ 機(jī)器學(xué)習(xí)庫(kù)來構(gòu)建你的 ML 模型。你將定義模型的架構(gòu)，指定優(yōu)化算法和損失函數(shù)，并使用預(yù)處理數(shù)據(jù)訓(xùn)練模型。模型評(píng)估：訓(xùn)練模型后，你需要在單獨(dú)的測(cè)試集上評(píng)估其性能。此步驟可幫助你確定模型是否過度擬合或欠擬合訓(xùn)練數(shù)據(jù)。部署：一旦你有了一個(gè)在測(cè)試集上表現(xiàn)良好的模型，你就可以將它部署到生產(chǎn)環(huán)境中，它可以用來對(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè)。機(jī)器學(xué)習(xí)中的 C++ 示例

有幾個(gè) C++ 用于機(jī)器學(xué)習(xí)任務(wù)的示例，包括：

圖像識(shí)別：OpenCV 是一個(gè)流行的 C++ 庫(kù)，用于計(jì)算機(jī)視覺任務(wù)，包括圖像識(shí)別。它可用于為對(duì)象檢測(cè)、人臉識(shí)別和其他圖像識(shí)別任務(wù)構(gòu)建深度學(xué)習(xí)模型。自然語言處理( NLP )：C++ 可用于為文本分類、情感分析和語言翻譯等任務(wù)構(gòu)建 NLP 模型。TensorFlow 等庫(kù)可用于為 NLP 任務(wù)構(gòu)建神經(jīng)網(wǎng)絡(luò)模型。金融建模：C++ 通常用于金融領(lǐng)域，以構(gòu)建預(yù)測(cè)股票價(jià)格、信用風(fēng)險(xiǎn)和其他金融指標(biāo)的模型。像 Dlib 這樣的庫(kù)可用于為金融應(yīng)用程序構(gòu)建機(jī)器學(xué)習(xí)模型。使用 C++ 進(jìn)行機(jī)器學(xué)習(xí)的技巧

以下是一些可幫助你開始使用 C++ 執(zhí)行 ML 任務(wù)的提示：

從一個(gè)庫(kù)開始：C++ 中有幾個(gè)可用的機(jī)器學(xué)習(xí)庫(kù)，例如 TensorFlow、OpenCV 和 Dlib。選擇一個(gè)最適合你需求的庫(kù)，然后開始使用該庫(kù)構(gòu)建你的 ML 模型。學(xué)習(xí) C++ 的基礎(chǔ)知識(shí)：在深入學(xué)習(xí) ML 任務(wù)之前，請(qǐng)確保你對(duì) C++ 語言的基礎(chǔ)知識(shí)有很好的理解，例如數(shù)據(jù)類型、控制結(jié)構(gòu)和函數(shù)。使用可用資源：有多種資源可用于學(xué)習(xí) C++ 并將其用于 ML 任務(wù)。你可以參加在線課程、閱讀書籍或加入在線社區(qū)以獲得幫助和指導(dǎo)。試驗(yàn)不同的 ML 技術(shù)：C++ 可能不如解釋型語言靈活，但它仍然允許你試驗(yàn)不同的 ML 技術(shù)。嘗試不同的優(yōu)化算法、損失函數(shù)和模型架構(gòu)，以找到解決問題的最佳方法。優(yōu)化代碼：C++ 提供對(duì)內(nèi)存使用的直接控制，因此請(qǐng)確保優(yōu)化代碼以減少內(nèi)存使用并提高性能。使用動(dòng)態(tài)內(nèi)存分配和指針等技術(shù)來減少內(nèi)存使用。不斷學(xué)習(xí)：機(jī)器學(xué)習(xí)領(lǐng)域在不斷發(fā)展，新的技術(shù)和庫(kù)也在不斷發(fā)展。不斷學(xué)習(xí)并緊跟最新趨勢(shì)，以保持該領(lǐng)域的競(jìng)爭(zhēng)力。

C++ 已經(jīng)存在了幾十年，并在游戲、金融和電信等多個(gè)行業(yè)證明了它的價(jià)值。近年來，隨著 AI 和 ML 的出現(xiàn)，C++ 被更頻繁地用于構(gòu)建高性能 ML 模型。隨著對(duì)能夠處理大量數(shù)據(jù)并提供實(shí)時(shí)預(yù)測(cè)的 ML 模型的需求不斷增加，C++ 有望在 ML 的未來發(fā)揮重要作用。

下面是一個(gè)使用 Tensorflow 創(chuàng)建和運(yùn)行簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的 C++ 代碼的簡(jiǎn)單示例：

#include 

#include "tensorflow/core/public/session.h"

#include "tensorflow/core/platform/env.h"

using namespace std;

using namespace tensorflow;

int main()

{

  // Create a graph for the neural network

  GraphDef graph_def;

  Status status = ReadBinaryProto(Env::Default(), "model.pb", &graph_def);

  if (!status.ok()) {

    cerr << "Error reading graph definition: " << status.ToString() << endl;

    return 1;

  }

  // Create a new Tensorflow session and load the graph

  SessionOptions session_options;

  Session* session = NewSession(session_options);

  status = session->Create(graph_def);

  if (!status.ok()) {

    cerr << "Error creating Tensorflow session: " << status.ToString() << endl;

    return 1;

  }

  // Define the input and output tensors

  Tensor input_tensor(DT_FLOAT, TensorShape({1, 2}));

  input_tensor.flat().data()[0] = 1.0;

  input_tensor.flat().data()[1] = 2.0;

  vector<pair<string, Tensor>> inputs = {

    {"input_tensor", input_tensor},

  };

  vector output_names = {"output_tensor"};

  // Run the graph

  vector outputs;

  status = session->Run(inputs, output_names, {}, &outputs);

  if (!status.ok()) {

    cerr << "Error running session: " << status.ToString() << endl;

    return 1;

  }

  // Print the output tensor value

  const auto& output_tensor = outputs[0];

  cout << "Output tensor value: " << output_tensor.flat()(0) << endl;

  // Clean up

  session->Close();

  delete session;

  return 0;

}

此代碼假定你已經(jīng)創(chuàng)建了 Tensorflow 模型并將其保存為 protobuf 文件（例如，model.pb）。代碼從此文件加載圖形定義，創(chuàng)建新的 Tensorflow 會(huì)話，并使用指定的輸入張量運(yùn)行圖形。最后，代碼打印輸出張量的值。

請(qǐng)注意，編譯時(shí)需要將 C++ 代碼與 Tensorflow 庫(kù)鏈接起來。例如，如果你已經(jīng)使用安裝了Tensorflow pip，你可以使用下面的命令來編譯上面的代碼：

g++ -std=c++11 -I/usr/local/lib/python3.9/dist-packages/tensorflow/include -L/usr/local/lib/python3.9/dist-packages/tensorflow -ltensorflow_cc -ltensorflow_framework example.cpp -o example

注意上面的編譯命令假設(shè)你已經(jīng)安裝了Tensorflow using pip并且正在使用Linux系統(tǒng)。該命令可能需要根據(jù)你的安裝和系統(tǒng)進(jìn)行調(diào)整。

為了在 C++ 中使用 Tensorflow 創(chuàng)建你自己的神經(jīng)網(wǎng)絡(luò)，你需要使用 Tensorflow 的 C++ API 定義網(wǎng)絡(luò)圖。

下面是一個(gè)示例，說明如何定義具有一個(gè)隱藏層的簡(jiǎn)單全連接神經(jīng)網(wǎng)絡(luò)：

#include 

#include "tensorflow/core/framework/tensor.h"

#include "tensorflow/core/framework/tensor_shape.h"

#include "tensorflow/core/framework/types.pb.h"

#include "tensorflow/core/graph/default_device.h"

#include "tensorflow/core/graph/graph_def_builder.h"

#include "tensorflow/core/graph/node_builder.h"

#include "tensorflow/core/lib/core/errors.h"

#include "tensorflow/core/lib/core/stringpiece.h"

#include "tensorflow/core/lib/core/threadpool.h"

#include "tensorflow/core/lib/gtl/array_slice.h"

#include "tensorflow/core/lib/gtl/inlined_vector.h"

#include "tensorflow/core/platform/init_main.h"

#include "tensorflow/core/platform/logging.h"

#include "tensorflow/core/platform/types.h"

#include "tensorflow/core/public/session.h"

using namespace std;

using namespace tensorflow;

int main()

{

  // Create a graph for the neural network

  GraphDef graph_def;

  auto options = SessionOptions();

  options.config.mutable_gpu_options()->set_allow_growth(true);

  auto session = NewSession(options);

  auto root = tensorflow::Scope::NewRootScope();

  auto input_tensor = Placeholder(root.WithOpName("input_tensor"), DT_FLOAT, Placeholder::Shape({1, 2}));

  auto w1_tensor = Variable(root.WithOpName("w1"), {2, 4}, DT_FLOAT);

  auto b1_tensor = Variable(root.WithOpName("b1"), {1, 4}, DT_FLOAT);

  auto hidden_tensor = Add(root.WithOpName("hidden"), MatMul(root.WithOpName("matmul"), input_tensor, w1_tensor), b1_tensor);

  auto w2_tensor = Variable(root.WithOpName("w2"), {4, 1}, DT_FLOAT);

  auto b2_tensor = Variable(root.WithOpName("b2"), {1, 1}, DT_FLOAT);

  auto output_tensor = Add(root.WithOpName("output"), MatMul(root.WithOpName("matmul2"), hidden_tensor, w2_tensor), b2_tensor);

  auto graph_status = root.ToGraphDef(&graph_def);

  if (!graph_status.ok()) {

    cerr << "Error creating graph definition: " << graph_status.ToString() << endl;

    return 1;

  }

  auto session_status = session->Create(graph_def);

  if (!session_status.ok()) {

    cerr << "Error creating Tensorflow session: " << session_status.ToString() << endl;

    return 1;

  }

  // Define the input tensor and run the graph

  Tensor input_data(DT_FLOAT, TensorShape({1, 2}));

  input_data.flat().data()[0] = 1.0;

  input_data.flat().data()[1] = 2.0;

  vector<pair<string, Tensor>> inputs = {

    {"input_tensor", input_data},

  };

  vector output_names = {"output"};

  vector outputs;

  auto run_status = session->Run(inputs, output_names, {}, &outputs);

  if (!run_status.ok()) {

    cerr << "Error running session: " << run_status.ToString() << endl;

    return 1;

  }

  // Print the output tensor value

  const auto& output_tensor = outputs[0];

  cout << "Output tensor value: " << output_tensor.flat()(0) << endl;

  return 0;

}

上面的代碼是使用Tensorflow C++ API 定義的帶有一個(gè)隱藏層的全連接神經(jīng)網(wǎng)絡(luò)示例。網(wǎng)絡(luò)的輸入張量形狀為 (1, 2)，輸出張量形狀為 (1, 1)。網(wǎng)絡(luò)的隱藏層有四個(gè)單元，使用 ReLU 激活函數(shù)。網(wǎng)絡(luò)是使用各種 Tensorflow 操作定義的，例如Add、MatMul和Placeholder。

定義神經(jīng)網(wǎng)絡(luò)圖后，代碼會(huì)創(chuàng)建一個(gè) Tensorflow 會(huì)話來運(yùn)行該圖。然后將輸入數(shù)據(jù)輸入到圖中，并執(zhí)行該圖以檢索輸出張量。

要使用此代碼，你需要安裝Tensorflow C++ 庫(kù)并將相關(guān)的頭文件包含在你的 C++ 代碼中。編譯代碼時(shí)，還需要鏈接到 Tensorflow C++ 庫(kù)。

結(jié)論總之，將 C++ 用于機(jī)器學(xué)習(xí)任務(wù)可能是一種具有挑戰(zhàn)性但有益的體驗(yàn)。C++ 提供對(duì)內(nèi)存使用的直接控制，使其比解釋型語言的內(nèi)存效率更高，并且它提供速度和可移植性，使其成為構(gòu)建高性能 ML 模型的合適選擇。但是，將 C++ 用于 ML 任務(wù)需要在學(xué)習(xí)語言和使用可用庫(kù)方面進(jìn)行大量投資。

如果你是一名希望學(xué)習(xí) C++ 來完成 ML 任務(wù)的程序員，我們建議你從 TensorFlow 或 OpenCV 等庫(kù)開始，并學(xué)習(xí)該語言的基礎(chǔ)知識(shí)。試驗(yàn)不同的 ML 技術(shù)并優(yōu)化你的代碼以減少內(nèi)存使用并提高性能。隨著 ML 領(lǐng)域的不斷發(fā)展，C++ 有望在高性能 ML 模型的開發(fā)中發(fā)揮重要作用。

       原文標(biāo)題 : C++ 和機(jī)器學(xué)習(xí)：使用 C++ 執(zhí)行 ML 任務(wù)的簡(jiǎn)介