Página Inicial>Relacionado com a programação>C/C++
Baixar

ML++

O aprendizado de máquina é uma disciplina vasta e estimulante, que atrai a atenção de especialistas de diversas áreas. Infelizmente, para programadores e entusiastas de C++, parece haver falta de suporte na área de aprendizado de máquina. Para preencher essa lacuna e dar ao C++ uma verdadeira base na esfera de ML, esta biblioteca foi escrita. A intenção desta biblioteca é que ela atue como uma encruzilhada entre desenvolvedores de baixo nível e engenheiros de aprendizado de máquina.

Instalação

Comece baixando os arquivos de cabeçalho da biblioteca ML++. Você pode fazer isso clonando o repositório e extraindo o diretório MLPP dentro dele: 

 git clone https://github.com/novak-99/MLPP

Em seguida, execute o script de shell "buildSO.sh": 

 sudo ./buildSO.sh

Depois de fazer isso, mantenha os arquivos de origem do ML++ em um diretório local e inclua-os desta forma: 

# include " MLPP/Stat/Stat.hpp " // Including the ML++ statistics module. 

int main (){
...
}

Finalmente, após concluir a criação de um projeto, compile-o usando g++: 

 g++ main.cpp /usr/local/lib/MLPP.so --std=c++17

Uso

Observe que o ML++ usa o tipo de dados std::vector<double> para emular vetores e o tipo de dados std::vector<std::vector<double>> para emular matrizes.

Comece incluindo o respectivo arquivo de cabeçalho de sua escolha. 

# include " MLPP/LinReg/LinReg.hpp "

A seguir, instancie um objeto da classe. Não se esqueça de passar o conjunto de entrada e o conjunto de saída como parâmetros. 

LinReg model (inputSet, outputSet);

Depois, chame o otimizador que você gostaria de usar. Para otimizadores iterativos, como gradiente descendente, inclua a taxa de aprendizado, o número da época e se deve ou não utilizar o painel da IU. 

model.gradientDescent( 0.001 , 1000 , 0 );

Ótimo, agora você está pronto para testar! Para testar uma instância de teste singular, utilize a seguinte função: 

model.modelTest(testSetInstance);

Isto retornará a previsão singular do modelo para esse exemplo.

Para testar um conjunto de testes inteiro, use a seguinte função: 

model.modelSetTest(testSet);

O resultado serão as previsões do modelo para todo o conjunto de dados.

Conteúdo da Biblioteca

  1. Regressão
    1. Regressão Linear
    2. Regressão Logística
    3. Regressão Softmax
    4. Regressão Exponencial
    5. Regressão Probit
    6. Regressão CLogLog
    7. Regressão Tanh
  2. Redes Neurais Profundas e Dimensionadas Dinamicamente
    1. Possíveis funções de ativação
      • Linear
      • Sigmóide
      • Softmax
      • Abanar
      • Mish
      • SinC
      • Softplus
      • Softsign
      • CLogLog
      • Logar
      • CDF Gaussiano
      • RELU
      • GELU
      • Sinal
      • Etapa unitária
      • Sinh
      • Cosh
      • Tanh
      • Csch
      • Sech
      • Coth
      • Arsinh
      • Arcosh
      • Artanh
      • Arco
      • Arsech
      • Arcoth
    2. Possíveis algoritmos de otimização
      • Descida gradiente em lote
      • Descida gradiente de minilote
      • Descida Gradiente Estocástica
      • Descida gradiente com impulso
      • Gradiente Acelerado Nesterov
      • Otimizador Adagrad
      • Otimizador Adadelta
      • Adam Otimizador
      • Otimizador Adamax
      • Otimizador Nadam
      • Otimizador AMSGrad
      • Otimizador Newton-Raphson de 2ª Ordem*
      • Equação Normal*
      *Disponível apenas para regressão linear
    3. Possíveis funções de perda
      • MSE
      • REQM
      • MAE
      • MBE
      • Perda de registro
      • Entropia Cruzada
      • Perda de dobradiça
      • Perda de Wasserstein
    4. Possíveis métodos de regularização
      • Laço
      • Cume
      • ElasticNet
      • Recorte de peso
    5. Possíveis métodos de inicialização de peso
      • Uniforme
      • Xavier normal
      • Uniforme Xavier
      • Ele normal
      • Ele Uniforme
      • LeCun Normal
      • Uniforme LeCun
    6. Possíveis programadores de taxas de aprendizagem
      • Baseado no tempo
      • Baseado em época
      • Baseado em etapas
      • Exponencial
  3. Redes Neurais Pré-construídas
    1. Peceptron multicamadas
    2. Codificador automático
    3. Rede Softmax
  4. Modelagem Gerativa
    1. Redes Adversariais Gerativas Tabulares
    2. Redes Adversariais Gerativas Tabulares de Wasserstein
  5. Processamento de Linguagem Natural
    1. Word2Vec (saco contínuo de palavras, Skip-Gram)
    2. Decadência
    3. Saco de palavras
    4. TFIDF
    5. Tokenização
    6. Funções auxiliares de processamento de texto
  6. Visão Computacional
    1. A operação de convolução
    2. Agrupamento máximo, mínimo e médio
    3. Agrupamento global máximo, mínimo e médio
    4. Detectores de recursos pré-construídos
      • Filtro Prewitt Horizontal/Vertical
      • Filtro Sobel Horizontal/Vertical
      • Filtro Scharr Horizontal/Vertical
      • Filtro Roberts Horizontal/Vertical
      • Filtro Gaussiano
      • Detector de canto Harris
  7. Análise de Componentes Principais
  8. Classificadores Naive Bayes
    1. Multinomial Ingênuo Bayes
    2. Bernoulli Naive Bayes
    3. Gaussiano Ingênuo Bayes
  9. Classificação de vetores de suporte
    1. Formulação Primal (Objetivo de Perda de Dobradiça)
    2. Formulação Dupla (Via Multiplicadores Lagrangianos)
  10. K-médias
  11. k-vizinhos mais próximos
  12. Localizador de outliers (usando pontuações z)
  13. Decomposições matriciais
    1. Decomposição SVD
    2. Decomposição de Cholesky
      • Verificador de definição positiva
    3. Decomposição QR
  14. Análise Numérica
    1. Diferenciação Numérica
      • Funções Univariadas
      • Funções Multivariadas
    2. Calculadora de vetores Jacobianos
    3. Calculadora Matriz Hessiana
    4. Aproximador de função
      • Aproximação Constante
      • Aproximação Linear
      • Aproximação Quadrática
      • Aproximação Cúbica
    5. Solucionadores de Equações Diferenciais
      • Método de Euler
      • Método de crescimento
  15. Transformadas Matemáticas
    1. Transformada Discreta de Cosseno
  16. Módulo de Álgebra Linear
  17. Módulo de Estatísticas
  18. Módulo de Processamento de Dados
    1. Configurando e imprimindo conjuntos de dados
    2. Conjuntos de dados disponíveis
      1. Conjunto de dados de câncer de mama de Wisconsin
        • Binário
        • SVM
      2. Conjunto de dados MNIST
        • Trem
        • Teste
      3. Conjunto de dados de flores de íris
      4. Conjunto de dados de vinho
      5. Conjunto de dados habitacionais da Califórnia
      6. Conjunto de dados de incêndios e crimes (Chicago)
    3. Dimensionamento de recursos
    4. Normalização Média
    5. Uma Representação Quente
    6. Representação reversa de uma quente
    7. Conversões de espaço de cores suportadas
      • RGB para escala de cinza
      • RGB para HSV
      • RGB para YCbCr
      • RGB para XYZ
      • XYZ para RGB
  19. Utilitários
    1. Função TP, FP, TN, FN
    2. Precisão
    3. Lembrar
    4. Precisão
    5. Pontuação F1

O que está em andamento?

ML++, como a maioria dos frameworks, é dinâmico e está em constante mudança. Isto é especialmente importante no mundo do ML, à medida que novos algoritmos e técnicas são desenvolvidos dia a dia. Aqui estão algumas coisas que estão sendo desenvolvidas atualmente para ML++:

- Redes Neurais Convolucionais

- Kernels para SVMs

- Suporte à regressão vetorial

Citações

Vários materiais diferentes me ajudaram na criação do ML++, e gostaria de dar crédito a vários deles aqui. Este artigo de TutorialsPoint foi uma grande ajuda ao tentar implementar o determinante de uma matriz, e este artigo de GeeksForGeeks foi muito útil ao tentar obter o adjunto e o inverso de uma matriz.

Expandir
Informações adicionais
Aplicativos Relacionados
Recomendado para você
Informações Relacionadas Todos