C++ 和机器学习：使用 C++ 执行 ML 任务的简介

介绍

C++ 是一种高性能编程语言，非常适合机器学习( ML ) 任务。尽管它在 ML 中可能不像 Python 或 R 那样流行，但它在速度和内存效率方面具有优势。

在本文中，我们将概述使用 C++ 执行 ML 任务。

C++ 中的 ML 库

C++ 中有几个用于机器学习的库，包括：

TensorFlow：TensorFlow 是由 Google 开发的一个流行的 ML 库，用 C++ 和 Python 编写。TensorFlow 提供了一套广泛的工具来构建和部署 ML 模型，包括对深度学习和神经网络的支持。
OpenCV：OpenCV 是一个用 C++ 编写的开源计算机视觉库。OpenCV 提供了广泛的图像和视频处理工具，包括特征检测、对象识别和人脸检测。
Dlib：Dlib 是一个用于机器学习的 C++ 库，由 Davis King 开发。Dlib 提供了对象检测、人脸识别和图像处理等工具。
LightGBM：LightGBM 是一个用 C++ 编写的快速且高性能的梯度提升库。它为使用梯度提升算法构建 ML 模型提供了可扩展且高效的解决方案。
XGBoost：XGBoost 是另一个用 C++ 编写的梯度提升库。XGBoost 提供了用于构建决策树和树集合的工具，使其成为解决复杂 ML 问题的热门选择。
Eigen：一个用于线性代数运算的 C++ 库，通常在 ML 中用于矩阵计算。

使用 C++ 进行 ML 的优势

将 C++ 用于 ML 任务的一些优势包括：

速度：C++ 是一种编译型语言，这意味着它可以比 Python 等解释型语言更快地执行代码。
内存效率：C++ 是一种低级语言，可直接控制内存使用，这在处理大型数据集时非常重要。
可移植性：C++ 代码可以在广泛的平台上编译和运行，使其成为构建需要在不同操作系统上运行的 ML 应用程序的不错选择。
与现有代码集成：C++ 通常用于金融和工程等行业，其中可能存在需要与 ML 模型集成的现有代码库。

将 C++ 用于 ML 的挑战

将 C++ 用于 ML 任务也会带来一些挑战，包括：

陡峭的学习曲线：C++ 是一种复杂的语言，需要大量的经验和技能才能有效使用。
缺乏库：虽然 C++ 中有几个可用于 ML 的库，但生态系统不如 Python 丰富。
缺乏灵活性：C++ 可能不如解释型语言灵活，这使得尝试不同的 ML 技术变得更加困难。
调试：C++ 比解释语言更难调试，因为它是一种编译语言。
代码复杂性：用 C++ 编写代码可能比用解释型语言编写代码更复杂，因为 C++ 提供了对硬件的更多低级控制。

使用 C++ 进行机器学习的基本步骤

要将 C++ 用于 ML 任务，你需要遵循以下基本步骤：

数据预处理：在此步骤中，你将通过清理、转换和规范化数据来为机器学习任务准备数据。
模型构建：接下来，你将使用 TensorFlow 或 OpenCV 等 C++ 机器学习库来构建你的 ML 模型。你将定义模型的架构，指定优化算法和损失函数，并使用预处理数据训练模型。
模型评估：训练模型后，你需要在单独的测试集上评估其性能。此步骤可帮助你确定模型是否过度拟合或欠拟合训练数据。
部署：一旦你有了一个在测试集上表现良好的模型，你就可以将它部署到生产环境中，它可以用来对新数据进行预测。

机器学习中的 C++ 示例

有几个 C++ 用于机器学习任务的示例，包括：

图像识别：OpenCV 是一个流行的 C++ 库，用于计算机视觉任务，包括图像识别。它可用于为对象检测、人脸识别和其他图像识别任务构建深度学习模型。
自然语言处理( NLP )：C++ 可用于为文本分类、情感分析和语言翻译等任务构建 NLP 模型。TensorFlow 等库可用于为 NLP 任务构建神经网络模型。
金融建模：C++ 通常用于金融领域，以构建预测股票价格、信用风险和其他金融指标的模型。像 Dlib 这样的库可用于为金融应用程序构建机器学习模型。

使用 C++ 进行机器学习的技巧

以下是一些可帮助你开始使用 C++ 执行 ML 任务的提示：

从一个库开始：C++ 中有几个可用的机器学习库，例如 TensorFlow、OpenCV 和 Dlib。选择一个最适合你需求的库，然后开始使用该库构建你的 ML 模型。
学习 C++ 的基础知识：在深入学习 ML 任务之前，请确保你对 C++ 语言的基础知识有很好的理解，例如数据类型、控制结构和函数。
使用可用资源：有多种资源可用于学习 C++ 并将其用于 ML 任务。你可以参加在线课程、阅读书籍或加入在线社区以获得帮助和指导。
试验不同的 ML 技术：C++ 可能不如解释型语言灵活，但它仍然允许你试验不同的 ML 技术。尝试不同的优化算法、损失函数和模型架构，以找到解决问题的最佳方法。
优化代码：C++ 提供对内存使用的直接控制，因此请确保优化代码以减少内存使用并提高性能。使用动态内存分配和指针等技术来减少内存使用。
不断学习：机器学习领域在不断发展，新的技术和库也在不断发展。不断学习并紧跟最新趋势，以保持该领域的竞争力。

C++ 已经存在了几十年，并在游戏、金融和电信等多个行业证明了它的价值。近年来，随着 AI 和 ML 的出现，C++ 被更频繁地用于构建高性能 ML 模型。随着对能够处理大量数据并提供实时预测的 ML 模型的需求不断增加，C++ 有望在 ML 的未来发挥重要作用。

下面是一个使用 Tensorflow 创建和运行简单神经网络的 C++ 代码的简单示例：

#include <iostream>
#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<float>().data()[0] = 1.0;
  input_tensor.flat<float>().data()[1] = 2.0;

  vector<pair<string, Tensor>> inputs = {
    {"input_tensor", input_tensor},
  };
  vector<string> output_names = {"output_tensor"};

  // Run the graph
  vector<Tensor> 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<float>()(0) << endl;

  // Clean up
  session->Close();
  delete session;

  return 0;
}

此代码假定你已经创建了 Tensorflow 模型并将其保存为 protobuf 文件（例如，model.pb）。代码从此文件加载图形定义，创建新的 Tensorflow 会话，并使用指定的输入张量运行图形。最后，代码打印输出张量的值。

请注意，编译时需要将 C++ 代码与 Tensorflow 库链接起来。例如，如果你已经使用安装了Tensorflow pip，你可以使用下面的命令来编译上面的代码：

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

注意上面的编译命令假设你已经安装了Tensorflow using pip并且正在使用Linux系统。该命令可能需要根据你的安装和系统进行调整。

为了在 C++ 中使用 Tensorflow 创建你自己的神经网络，你需要使用 Tensorflow 的 C++ API 定义网络图。

下面是一个示例，说明如何定义具有一个隐藏层的简单全连接神经网络：

#include <iostream>
#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<float>().data()[0] = 1.0;
  input_data.flat<float>().data()[1] = 2.0;

  vector<pair<string, Tensor>> inputs = {
    {"input_tensor", input_data},
  };
  vector<string> output_names = {"output"};

  vector<Tensor> 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<float>()(0) << endl;

  return 0;
}

上面的代码是使用Tensorflow C++ API 定义的带有一个隐藏层的全连接神经网络示例。网络的输入张量形状为 (1, 2)，输出张量形状为 (1, 1)。网络的隐藏层有四个单元，使用 ReLU 激活函数。网络是使用各种 Tensorflow 操作定义的，例如Add、MatMul和Placeholder。

定义神经网络图后，代码会创建一个 Tensorflow 会话来运行该图。然后将输入数据输入到图中，并执行该图以检索输出张量。

要使用此代码，你需要安装Tensorflow C++ 库并将相关的头文件包含在你的 C++ 代码中。编译代码时，还需要链接到 Tensorflow C++ 库。

结论

总之，将 C++ 用于机器学习任务可能是一种具有挑战性但有益的体验。C++ 提供对内存使用的直接控制，使其比解释型语言的内存效率更高，并且它提供速度和可移植性，使其成为构建高性能 ML 模型的合适选择。但是，将 C++ 用于 ML 任务需要在学习语言和使用可用库方面进行大量投资。

如果你是一名希望学习 C++ 来完成 ML 任务的程序员，我们建议你从 TensorFlow 或 OpenCV 等库开始，并学习该语言的基础知识。试验不同的 ML 技术并优化你的代码以减少内存使用并提高性能。随着 ML 领域的不断发展，C++ 有望在高性能 ML 模型的开发中发挥重要作用。

作者：磐怼怼 | 来源：公众号——深度学习与计算机视觉【ID：uncle_pn】