本文主要向大家介绍了机器学习入门之mlpack: 一个C++机器学习库，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

简介

mlpack是一个C++机器学习库，侧重于可扩展性、速度和易用性。它的目的是通过一个简单的、前后一致的API让新用户使用机器学习成为可能，同时利用C++语言特征为专家用户提供最好的性能和最大的灵活性。这些通过提供一系列命令行执行程序完成，就像使用一个黑箱，而且专家用户和研究者可以容易的更改一个模块化的C++ API的内部算法。

这种方法的结果就是mlpack的性能大幅度超过其他竞争的机器学习库；在the BigLearning workshop paper 和the benchmarks for details查看细节。

mlpack由全世界的贡献者开发。基于伯克利发行软件许可的第三个条款免费发行。（比1.0.12更老的版本基于GNU通用公共授权规定发行：LGPL，第3版。）

安装

mlpack存储在许多Linux的发行版本中，所以在你的系统中使用程序包管理器可能更容易一些。例如：在Ubuntu上，你可以使用下面的命令安装mlpack。

C++

$ sudo apt-get install libmlpack-dev

如果mlpack不能在你的系统的程序包管理器中使用，那么你可以按照下面的步骤编译和安装mlpack源文件。

Mlpack使用CMake作为生成系统，允许几个灵活的生成配置选项。你可以查询大量的CMake教程得到更多的文件，但是这个教程应该足够让你在大多数Linux和类UNIX系统中（包括OS X）成功生成和安装mlpack。如果你想在Windows操作系统中生成mlpack，请看这里。

首先下载mlpack。

当mlpack的源文件完成解压，你可以创建一个生成目录。

C++

$ cd mlpack-2.2.5

$ mkdir build

这个目录可以是任何名字，不仅仅是“build”，但是“build”足够了。

mlpack依赖项

mlpack依赖下面的库，它们需要被安装在系统中并有一些头文件出现。

Armadillo >=4.200.0（支持LAPACK（线性代数程序包）)

Boost（math_c99, program_options, serialization, unit_test_framework, heap, spirit）>=1.49

在Ununtu和Debian中，你可以通过apt获得所有这些依赖项：

C++

# apt-get install libboost-math-dev libboost-program-options-dev

  libboost-test-dev libboost-serialization-dev libarmadillo-dev binutils-dev

在Fedora、Red Hat或CentOS上，这些相同的依赖项可以通过dnf获得：

C++

# dnf install boost-devel boost-test boost-program-options boost-math

  armadillo-devel binutils-devel

配置CMake

运行CMake相当于使用autotools运行./configure。

如果你工作中使用mlpack的svn trunk版本，且不带任何选项运行CMake，它将配置这个生成项目带有调试符号和分析信息：如果你工作中使用发行版本的mlpack，不带任何选项运行CMake，它将配置这个生成项目不带调试符号和分析信息（为了速度）。

C++

$ cd build

$ cmake ../

你可以手动指定选项去编译或不编译调试信息和分析信息（也就是说尽可能快）：

C++

<span class="crayon-sy" style="box-sizing: border-box; font-family: inherit; height: inherit; font-size: inherit !important; line-height: inherit !important; font-weight: inheri    

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！