python - 使用 Python/Numpy 的 dlib SVM 的最小示例

Question

我需要在 C++ 构建目标系统中部署 SVM。因此，我想使用带有 python/numpy 的 dlib 训练 SVM，将其序列化并在目标系统中进行评估。

dlib 的 python 文档对我来说相当晦涩，所以任何人都可以帮我解决这个最小的例子吗？

import dlib

# My data in numpy
feature_column_1 = np.array([-1, -2, -3, 1, 2, 3])
feature_column_2 = np.array([1, 2, 3, -1, -2, -3])
labels = np.array([True, True, True, False, False, False])

# Features
feature_vectors = dlib.vectors()
for feature_column in [feature_column_1, feature_column_2]:
    feature_vectors.append(dlib.vector(feature_column.tolist()))

# Labels
labels_array = dlib.array(labels.tolist())

# Train
svm = dlib.svm_c_trainer_linear()
svm.train(feature_vectors, labels_array)

# Test
y_probibilities = svm.predict(labels_array_new)

我在训练中遇到以下错误:

---> 18 svm.train(vectors, array)

ValueError: Invalid inputs

Answer 1

我刚刚为 dlib 添加了一个官方示例。我很惊讶地发现它不包括在内。可在此处获得:https://github.com/davisking/dlib/blob/master/python_examples/svm_binary_classifier.py .以下是相关详细信息:

import dlib
import pickle    

x = dlib.vectors()
y = dlib.array()

# Make a training dataset.  Here we have just two training examples.  Normally
# you would use a much larger training dataset, but for the purpose of example
# this is plenty.  For binary classification, the y labels should all be either +1 or -1.
x.append(dlib.vector([1, 2, 3, -1, -2, -3]))
y.append(+1)

x.append(dlib.vector([-1, -2, -3, 1, 2, 3]))
y.append(-1)


# Now make a training object.  This object is responsible for turning a
# training dataset into a prediction model.  This one here is a SVM trainer
# that uses a linear kernel.  If you wanted to use a RBF kernel or histogram
# intersection kernel you could change it to one of these lines:
#  svm = dlib.svm_c_trainer_histogram_intersection()
#  svm = dlib.svm_c_trainer_radial_basis()
svm = dlib.svm_c_trainer_linear()
svm.be_verbose()
svm.set_c(10)

# Now train the model.  The return value is the trained model capable of making predictions.
classifier = svm.train(x, y)

# Now run the model on our data and look at the results.
print("prediction for first sample:  {}".format(classifier(x[0])))
print("prediction for second sample: {}".format(classifier(x[1])))


# classifier models can also be pickled in the same was as any other python object.
with open('saved_model.pickle', 'wb') as handle:
    pickle.dump(classifier, handle)

但是，如果您想使用 C++，您应该只使用 C++。 Dlib 主要是一个 C++ 库而不是 python 库。 dlib 的全部意义在于为想要进行机器学习的人提供一个很好的 C++ API。所以你最好只使用 C++ 进行训练。 dlib 和完整的 C++ API 文档附带了 99 个完整的 C++ 示例。例如，这是一个相关的例子 http://dlib.net/svm_c_ex.cpp.html .

我真的应该强调 dlib 的 C++ API 比 python API 灵活得多。真的，dlib 的目的是让机器学习在 C++ 中变得容易，dlib 的 python API 是事后才想到的。事实上，dlib 有很多特性是使用诸如 C++ 模板之类的东西表达的，这些特性在 Python 中可能没有关联(例如，因为 python 没有像 C++ 模板那样的东西)，所以这些特性不会暴露给 python。所以说真的，如果你想使用 C++，那就使用 C++。 如果您知道如何编写 C++，就没有理由使用 Python API。