실습해야 할 C++의 상위 3개 머신 러닝 라이브러리

오늘날 우리가 보는 모든 곳에서 기계 학습 은 어떤 형태로든 우리 주변에 있습니다. 인공 지능의 이 하위 집합은 업계의 모든 유사점에서 다양한 응용 프로그램을 발견했으며 당연히 그렇습니다. 기계 학습은 신흥 분야이지만 탐색할 가능성이 많이 열려 있습니다.

이제 질문은 기계 학습 프로젝트에 사용할 프로그래밍 언어는 무엇입니까?

Python과 C++는 가장 널리 사용되는 프로그래밍 언어 중 두 가지입니다. 이 두 언어 모두 활성 커뮤니티, 전용 도구 지원, 광범위한 라이브러리 에코시스템 및 훌륭한 런타임 성능을 자랑합니다. 그러나 오늘 포스트의 초점은 C++의 머신 러닝이 될 것입니다.

머신 러닝에 C++를 사용해야 하는 이유

머신 러닝이 강력한 CPU 성능을 요구한다는 것은 잘 알려진 사실이며, 이것이 바로 C++에서 보장하는 것입니다. 속도와 성능 면에서 C++는 Python, Java, 심지어 C#까지 뒤쳐져 있습니다. 머신 러닝에 C++를 사용할 때의 또 다른 주요 이점은 포인터 지원 기능이 있다는 것입니다.

C++에서 머신 러닝을 성공적으로 구현하려면 가장 먼저 해야 할 일은 C++ 라이브러리에 익숙해지는 것입니다. 고맙게도 C++에는 Shark, MLPack 및 GRT(Gesture Recognition Toolkit)를 포함하여 Machine Learning을 위한 몇 가지 훌륭한 라이브러리가 있습니다.

이제 C++의 기계 학습 라이브러리에 대한 논의를 살펴보겠습니다.

C++의 머신 러닝 라이브러리

1. 상어

Shark는 C++의 오픈 소스 모듈식 라이브러리입니다. 선형 회귀, k-평균, 신경망 및 클러스터링과 같은 지도 학습 알고리즘을 광범위하게 지원하므로 머신 러닝을 위한 완벽한 라이브러리입니다.

또한 Shark에는 선형 및 비선형 최적화, 커널 기반 학습 알고리즘, 수치 최적화 및 기타 여러 ML 기술을 위한 수많은 방법이 포함되어 있습니다. 연구 및 실제 응용 프로그램 구축 모두에 이상적인 도구입니다. Shark는 뛰어난 문서를 보유하고 있으며 Linux, Windows 및 macOS와 호환됩니다.

상어를 설치하는 방법?

Shark를 설치하려면 공식 다운로드 페이지 에서 소스 패키지를 가져와야 합니다 . 그런 다음 다음 코드를 작성하여 라이브러리를 빌드해야 합니다.

mkdir 상어/빌드/

CD 상어/빌드

../

만들다

Shark에는 Boost 와 CMake 라는 두 가지 종속성이 있다는 것을 알아야 합니다 . Linux 광고 Windows에서는 일반적으로 ATLAS가 사용되지만 macOS에서는 Accelerate가 기본 선형 대수 라이브러리입니다. macOS에서는 다음과 같이 MacPorts를 사용하여 필요한 패키지를 얻을 수 있습니다.

sudo 포트 설치 부스트 cmake

그러나 Ubuntu에서는 다음 명령문을 사용하여 필요한 패키지를 설치해야 합니다.

sudo apt-get install cmake cmake-curses-gui libatlas-base-dev libboost-all-dev

Shark 설치 단계는 다음과 같습니다.

• 먼저 d ownloads 페이지 에서 소스 패키지를 다운로드 하고 압축을 풉니다.
• CMake GUI 실행
• "소스 코드는 어디에 있습니까?"를 선택하여 압축을 푼 상어 위치에 대한 경로를 설정합니다.
• Visual Studio 프로젝트 파일을 저장할 경로를 설정하려면 "디렉토리를 빌드할 위치"를 선택합니다.
• "항목 추가" 옵션을 선택합니다. 이제 PATH 유형의 BOOST_ROOT 항목을 추가하고 이를 부스트 설치 디렉토리로 설정하십시오.
• 다시 PATH 유형의 BOOST_LIBRARYDIR 항목을 추가하고 이를 부스트 라이브러리 디렉토리로 설정하십시오.
• 마지막으로 적절한 Visual Studio 컴파일러를 선택하고 "구성" 옵션을 두 번 클릭한 다음 "생성" 옵션을 클릭합니다.

2. ml팩

mlpack은 성능을 위해 명시적으로 설계된 C++ 라이브러리입니다. 선구적인 ML 알고리즘의 빠르고 확장 가능한 구현을 제공할 것을 약속합니다. 이 C++ 라이브러리의 고유한 측면은 ML 알고리즘을 간단한 명령줄 프로그램, Python 바인딩, Julia 바인딩 및 C++ 클래스로 제공한다는 것입니다. 이 모든 것을 대규모 ML 솔루션에 통합할 수 있습니다.

mlpack을 설치하는 방법?

MLPack의 설치 프로세스는 플랫폼마다 다릅니다.

Python의 경우 다음과 같이 pip 또는 conda를 통해 소스 패키지를 가져올 수 있습니다.

핍 설치 mlpack

conda install -c conda-forge mlpack

자세한 내용은 Python 빠른 시작 가이드 의 mlpack 을 참조하세요.

Julia의 경우 다음과 같이 Pkg를 통해 소스를 얻을 수 있습니다.

수입 패키지;

패키지.add("mlpack")

Ubuntu, Debian, Fedora 및 Red Hat의 경우 패키지 관리자를 사용하여 mlpack을 설치할 수 있습니다. mlpack 명령줄 빠른 시작 가이드 는 시작하기에 좋은 곳입니다. Linux 빌드 자습서 에 따라 소스에서 빌드할 수도 있습니다 .

Windows의 경우 사전 빌드된 바이너리 – Windows 64비트 – MSI 설치 프로그램 및 Windows 64비트 – ZIP 을 다운로드할 수 있습니다 . vcpkg 와 같은 패키지 관리자를 사용하여 설치 하거나 Windows 빌드 자습서 에 따라 소스에서 빌드할 수도 있습니다 .

macOS에서는 다음과 같이 homebrew를 통해 라이브러리를 설치할 수 있습니다.

양조 설치 mlpack

읽기: 가장 높은 급여를 받는 기계 학습 작업

3. GRT(제스처 인식 툴킷)

GRT 또는 Gesture Recognition Toolkit은 오픈 소스 크로스 플랫폼 C++ 라이브러리입니다. 실시간 제스처 인식을 위해 특별히 설계되었습니다. 여기에는 깔끔하고 사용하기 쉬운 GUI(그래픽 사용자 인터페이스)로 더욱 강화된 포괄적인 C++ API가 포함됩니다.

GRT는 초보자에게 친숙할 뿐만 아니라 기존 C++ 프로젝트에 통합하기도 매우 쉽습니다. 모든 센서/데이터 입력과 호환되며 고유한 제스처로 훈련할 수 있습니다. 또한 GRT는 필요할 때 맞춤형 처리 또는 특징 추출 알고리즘에 적응할 수 있습니다.

GRT를 설치하는 방법?

가장 먼저 해야 할 일은 GRT 패키지 를 다운로드 하는 것입니다. 그런 다음 기본 제스처 인식 툴킷 폴더에서 GRT 폴더를 찾아 원하는 프로젝트에 GRT 폴더(모든 하위 폴더 포함)를 추가해야 합니다.

GRT 폴더에 저장된 전체 코드를 C++ 프로젝트에 추가하여 GRT 사용을 시작할 수 있습니다. VisualStudio 또는 XCode와 같은 IDE를 사용하는 경우 " 파일 -> 프로젝트에 파일 추가 " 경로를 따라 프로젝트에 GRT 폴더 파일을 추가할 수 있습니다 . GRT 폴더(Finder 또는 Windows 탐색기에서)를 IDE로 끌어서 GRT 폴더의 모든 파일을 프로젝트에 추가할 수도 있습니다.

GRT 폴더에 포함된 코드를 프로젝트에 추가하면 모든 GRT 기능/클래스를 사용할 수 있습니다. GRT 코드를 사용하려는 프로젝트의 헤더 파일 상단에 다음 두 줄의 코드를 추가하기만 하면 됩니다.

#include “GRT/GRT.h”

int main (int argc, const char * argv[])

{

// 프로젝트의 메인 코드…

}

이 코드에서 첫 번째 줄은 기본 GRT 헤더 파일(GRT.h)을 프로젝트에 추가합니다. GRT.h 파일에는 모든 GRT 모듈 헤더 파일이 포함되어 있으므로 다른 GRT 헤더 파일을 수동으로 입력할 필요가 없습니다. 그러나 두 번째 줄은 GRT 네임스페이스가 사용 중임을 선언합니다. 이렇게 하면 GRT 클래스를 사용하려고 할 때마다 GRT:: WhatEverClass를 작성할 필요가 없습니다. WhatEverClass를 작성하고 끝낼 수 있습니다.

그러나 사용하는 IDE에 따라 하드 드라이브에서 GRT 폴더를 저장한 물리적 경로를 지정해야 합니다.

더 읽어보기: 기계 학습 경력

결론

이 세 가지 C++ 라이브러리는 거의 모든 ML 요구 사항을 처리하는 데 완벽합니다. C++에서 기계 학습을 마스터하기 위한 핵심은 먼저 이러한 라이브러리를 학습하고 해당 라이브러리의 전문 분야와 기능을 이해한 다음 특정 ML 요구 사항에 구현하는 것입니다.

기계 학습에 대해 자세히 알아보려면 IIIT-B 및 upGrad의 기계 학습 및 AI PG 디플로마를 확인하세요. 이 PG 디플로마는 일하는 전문가를 위해 설계되었으며 450시간 이상의 엄격한 교육, 30개 이상의 사례 연구 및 과제, IIIT- B 동문 자격, 5개 이상의 실용적인 실습 캡스톤 프로젝트 및 최고의 기업과의 취업 지원.