我正在研究一个可能的机器学习项目，该项目预计将使用SVM（支持向量机）和可能的一些ANN进行机器学习的高速计算。
我非常适合在matlab上使用这些，但主要是在小型数据集中，仅用于实验。我想知道这种基于matlab的方法是否会扩展？或者我应该研究其他什么？基于C ++ / gpu的计算？ java包装的matlab代码并将其推送到app引擎？
顺便提一下，似乎有很多关于GPU的文献，但关于它们在使用matlab的机器学习应用程序中的用处并不多，＆amp;最便宜的CUDA enlabled GPU可以买到吗？它甚至值得麻烦吗？
答案 0 :(得分：7)
我处理模式识别问题。如果您计划有效地处理SVM / ANN问题并且您真的无法访问计算机集群，请告诉您一些建议：
1）不要使用Matlab。使用Python及其大量数值库代替您的计算的可视化/分析 2）使用C实现更好的关键部分。您可以非常容易地将它们与Python脚本集成 3）如果你主要处理机器学习中典型的非polinomial时间复杂度问题，CUDA / GPU不是解决方案，因此它不会带来很大的加速;点/矩阵产品只是SVM计算的一小部分 - 您仍然需要处理特征提取和列表/对象处理，而是尝试优化算法并设计有效的算法方法。如果您需要并行性（例如，对于ANN），请使用线程或进程 4）使用GCC编译器编译您的C程序 - 它将构建非常快速的可执行代码。为了加速数值计算，您可以尝试GCC优化标志（例如Streaming SIMD Extensions） 5）在Linux OS下的任何现代CPU上运行程序。
为了获得良好的性能，请使用Linux群集。
答案 1 :(得分：5)
答案 2 :(得分：2)
我建议不要使用Matlab进行原型设计之外的任何事情。 当项目变得更加复杂和广泛时，您自己代码的比例将随着matlab和工具箱提供的功能而增加。项目越发达，你从matlab中受益越少，你需要的功能，库，以及 - 更重要的 - 通用语言的实践，流程和工具就越多。
matlab解决方案的扩展是通过与非matlab代码接口实现的，而且我已经看到matlab项目变成了一个不仅仅是用多用途语言编写的胶水调用模块。为每个参与者带来日常痛苦。
如果您对Java感到满意，我建议您将它与一些优秀的数学库一起使用（至少，您可以随时连接MKL）。即使最近的Matlab优化，MKL + JVM也要快得多 - 扩展和可维护性是无法比拟的。
具有处理器特定内在函数的C ++可以提供更好的性能，但代价是开发时间和可维护性。添加CUDA可进一步提高性能，但工作量和具体知识几乎不值得。如果您没有GPU计算的先前经验，当然不会。一旦超越单处理器，将一个或两个CPU添加到系统中比使用GPU计算更加有效。答案 3 :(得分：0)
目前没有任何内容可以超出限制。 libsvm有一个子集选择工具，用于选择一组数据点进行训练。忘记ANN，它不会概括，没有理论可以帮助选择隐藏节点的数量等。它必须手动优化很多，并且可以陷入局部最小值。仅限SVM
答案 4 :(得分：0)
在这里你可以找到一些半参数近似值，可以非常快速地处理大量数据：