Shark machine learning library在linux下的安装
2015-10-02 12:31
821 查看
Shark machine learning library在linux下的安装
Shark 是一个快速、模块化、功能丰富的开源 C++ 机器学习库,提供了各种机器学习相关技术,比如线性/非线性优化、基于内核学习算法、神经网络等。Shark 已经应用于多个现实项目中。Shark 依赖于 Boost 和 CMake,其源码基于 GPLv3协议,兼容 Windows、Solaris、MacOSX 和 Linux 平台。
详细信息:http://image.diku.dk/shark/sphinx_pages/build/html/index.html
一.安装前准备的工具
1.1 Boost的安装
最简单的方法:apt-cache search boost 搜到所有的boost库
然后:
sudo apt-get install libboost-all-dev 安装相应的库
详细参考:http://blog.csdn.net/simtwo/article/details/8083598
1.2 CMake的安装
终端输入:sudo apt-get install cmake二.Shark安装
2.1 下载Shark
使用TortoiseSVN工具下载最新版本:svn co https://svn.code.sf.net/p/shark-project/code/trunk/Shark
2.2 编译安装Shark
使用终端依次执行以下命令:mkdir Shark/build/ //在Shark创建build文件夹
cd Shark/build
cmake ../
make //此过程需要比较的时间
最后执行:make install
详细参考:http://image.diku.dk/shark/sphinx_pages/build/html/rest_sources/getting_started/installation.html
三.Shark测试
使用shark自带的一个例子Statistics.cpp#include <shark/Statistics/Statistics.h>
#include <shark/Rng/GlobalRng.h>
using namespace shark;
int main(int argc, char** argv)
{
Statistics stats;
// Sample 10000 standard normally distributed random numbers
// and update statistics for these numbers iteratively.
for (std::size_t i = 0; i < 100000; i++)
stats( Rng::gauss() );
// Output results to the console.
std::cout << stats << std::endl;
std::cout <<
stats( Statistics::NumSamples() ) << " " <<
stats( Statistics::Min() ) << " " <<
stats( Statistics::Max() ) << " " <<
stats( Statistics::Mean() ) << " " <<
stats( Statistics::Variance() ) << " " <<
stats( Statistics::Median() ) << " " <<
stats( Statistics::LowerQuartile() ) << " " <<
stats( Statistics::UpperQuartile() ) << std::endl;
}
使用编译器(如g++)编译成功即说明已成功安装了Shark。
相关文章推荐
- 用Python从零实现贝叶斯分类器的机器学习的教程
- My Machine Learning
- 机器学习---学习首页 3ff0
- 也谈 机器学习到底有没有用 ?
- 量子计算机编程原理简介 和 机器学习
- 初识机器学习算法有哪些?
- 10个关于人工智能和机器学习的有趣开源项目
- 机器学习实践中应避免的7种常见错误
- 机器学习书单
- 北美常用的机器学习/自然语言处理/语音处理经典书籍
- 如何提升COBOL系统代码分析效率
- 支持向量机(SVM)算法概述
- 神经网络初步学习手记
- 常用的分类评估--基于R语言
- 开始spark之旅
- spark的几点备忘
- 关于机器学习的学习笔记(一):机器学习概念
- 关于机器学习的学习笔记(二):决策树算法
- 关于机器学习的学习笔记(三):k近邻算法
- 长期招聘:自然语言处理工程师