C++ 和機器學習：使用 C++ 執行 ML 任務的簡介

介紹

C++ 是一種高性能編程語言，非常適合機器學習( ML ) 任務。盡管它在 ML 中可能不像 Python 或 R 那樣流行，但它在速度和內存效率方面具有優勢。

在本文中，我們將概述使用 C++ 執行 ML 任務。

C++ 中的 ML 庫

C++ 中有幾個用于機器學習的庫，包括：

TensorFlow：TensorFlow 是由 Google 開發的一個流行的 ML 庫，用 C++ 和 Python 編寫。TensorFlow 提供了一套廣泛的工具來構建和部署 ML 模型，包括對深度學習和神經網絡的支持。OpenCV：OpenCV 是一個用 C++ 編寫的開源計算機視覺庫。OpenCV 提供了廣泛的圖像和視頻處理工具，包括特征檢測、對象識別和人臉檢測。Dlib：Dlib 是一個用于機器學習的 C++ 庫，由 Davis King 開發。Dlib 提供了對象檢測、人臉識別和圖像處理等工具。LightGBM：LightGBM 是一個用 C++ 編寫的快速且高性能的梯度提升庫。它為使用梯度提升算法構建 ML 模型提供了可擴展且高效的解決方案。XGBoost：XGBoost 是另一個用 C++ 編寫的梯度提升庫。XGBoost 提供了用于構建決策樹和樹集合的工具，使其成為解決復雜 ML 問題的熱門選擇。Eigen：一個用于線性代數運算的 C++ 庫，通常在 ML 中用于矩陣計算。使用 C++ 進行 ML 的優勢

將 C++ 用于 ML 任務的一些優勢包括：

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行代碼。內存效率：C++ 是一種低級語言，可直接控制內存使用，這在處理大型數據集時非常重要。可移植性：C++ 代碼可以在廣泛的平臺上編譯和運行，使其成為構建需要在不同操作系統上運行的 ML 應用程序的不錯選擇。與現有代碼集成：C++ 通常用于金融和工程等行業，其中可能存在需要與 ML 模型集成的現有代碼庫。將 C++ 用于 ML 的挑戰將 C++ 用于 ML 任務也會帶來一些挑戰，包括：陡峭的學習曲線：C++ 是一種復雜的語言，需要大量的經驗和技能才能有效使用。缺乏庫：雖然 C++ 中有幾個可用于 ML 的庫，但生態系統不如 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 技術變得更加困難。調試：C++ 比解釋語言更難調試，因為它是一種編譯語言。代碼復雜性：用 C++ 編寫代碼可能比用解釋型語言編寫代碼更復雜，因為 C++ 提供了對硬件的更多低級控制。使用 C++ 進行機器學習的基本步驟

要將 C++ 用于 ML 任務，你需要遵循以下基本步驟：

數據預處理：在此步驟中，你將通過清理、轉換和規范化數據來為機器學習任務準備數據。模型構建：接下來，你將使用 TensorFlow 或 OpenCV 等 C++ 機器學習庫來構建你的 ML 模型。你將定義模型的架構，指定優化算法和損失函數，并使用預處理數據訓練模型。模型評估：訓練模型后，你需要在單獨的測試集上評估其性能。此步驟可幫助你確定模型是否過度擬合或欠擬合訓練數據。部署：一旦你有了一個在測試集上表現良好的模型，你就可以將它部署到生產環境中，它可以用來對新數據進行預測。機器學習中的 C++ 示例

有幾個 C++ 用于機器學習任務的示例，包括：

圖像識別：OpenCV 是一個流行的 C++ 庫，用于計算機視覺任務，包括圖像識別。它可用于為對象檢測、人臉識別和其他圖像識別任務構建深度學習模型。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構建 NLP 模型。TensorFlow 等庫可用于為 NLP 任務構建神經網絡模型。金融建模：C++ 通常用于金融領域，以構建預測股票價格、信用風險和其他金融指標的模型。像 Dlib 這樣的庫可用于為金融應用程序構建機器學習模型。使用 C++ 進行機器學習的技巧

以下是一些可幫助你開始使用 C++ 執行 ML 任務的提示：

從一個庫開始：C++ 中有幾個可用的機器學習庫，例如 TensorFlow、OpenCV 和 Dlib。選擇一個最適合你需求的庫，然后開始使用該庫構建你的 ML 模型。學習 C++ 的基礎知識：在深入學習 ML 任務之前，請確保你對 C++ 語言的基礎知識有很好的理解，例如數據類型、控制結構和函數。使用可用資源：有多種資源可用于學習 C++ 并將其用于 ML 任務。你可以參加在線課程、閱讀書籍或加入在線社區以獲得幫助和指導。試驗不同的 ML 技術：C++ 可能不如解釋型語言靈活，但它仍然允許你試驗不同的 ML 技術。嘗試不同的優化算法、損失函數和模型架構，以找到解決問題的最佳方法。優化代碼：C++ 提供對內存使用的直接控制，因此請確保優化代碼以減少內存使用并提高性能。使用動態內存分配和指針等技術來減少內存使用。不斷學習：機器學習領域在不斷發展，新的技術和庫也在不斷發展。不斷學習并緊跟最新趨勢，以保持該領域的競爭力。

C++ 已經存在了幾十年，并在游戲、金融和電信等多個行業證明了它的價值。近年來，隨著 AI 和 ML 的出現，C++ 被更頻繁地用于構建高性能 ML 模型。隨著對能夠處理大量數據并提供實時預測的 ML 模型的需求不斷增加，C++ 有望在 ML 的未來發揮重要作用。

下面是一個使用 Tensorflow 創建和運行簡單神經網絡的 C++ 代碼的簡單示例：

#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;

}

此代碼假定你已經創建了 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，創建新的 Tensorflow 會話，并使用指定的輸入張量運行圖形。最后，代碼打印輸出張量的值。

請注意，編譯時需要將 C++ 代碼與 Tensorflow 庫鏈接起來。例如，如果你已經使用安裝了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你已經安裝了Tensorflow using pip并且正在使用Linux系統。該命令可能需要根據你的安裝和系統進行調整。

為了在 C++ 中使用 Tensorflow 創建你自己的神經網絡，你需要使用 Tensorflow 的 C++ API 定義網絡圖。

下面是一個示例，說明如何定義具有一個隱藏層的簡單全連接神經網絡：

#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 定義的帶有一個隱藏層的全連接神經網絡示例。網絡的輸入張量形狀為 (1, 2)，輸出張量形狀為 (1, 1)。網絡的隱藏層有四個單元，使用 ReLU 激活函數。網絡是使用各種 Tensorflow 操作定義的，例如Add、MatMul和Placeholder。

定義神經網絡圖后，代碼會創建一個 Tensorflow 會話來運行該圖。然后將輸入數據輸入到圖中，并執行該圖以檢索輸出張量。

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

結論總之，將 C++ 用于機器學習任務可能是一種具有挑戰性但有益的體驗。C++ 提供對內存使用的直接控制，使其比解釋型語言的內存效率更高，并且它提供速度和可移植性，使其成為構建高性能 ML 模型的合適選擇。但是，將 C++ 用于 ML 任務需要在學習語言和使用可用庫方面進行大量投資。

如果你是一名希望學習 C++ 來完成 ML 任務的程序員，我們建議你從 TensorFlow 或 OpenCV 等庫開始，并學習該語言的基礎知識。試驗不同的 ML 技術并優化你的代碼以減少內存使用并提高性能。隨著 ML 領域的不斷發展，C++ 有望在高性能 ML 模型的開發中發揮重要作用。

       原文標題 : C++ 和機器學習：使用 C++ 執行 ML 任務的簡介