我需要在C ++构建目标系统中部署SVM。因此，我想使用dlib和python / numpy训练SVM，将其序列化并在目标系统中进行评估。
dlib的python文档对我来说相当模糊，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)
我收到了以下关于培训的错误：
---> 18 svm.train(vectors, array)
ValueError: Invalid inputs
答案 0 :(得分：3)
我刚刚为dlib添加了一个官方示例。当我看时，我很惊讶地发现它没有被包括在内。它可以在这里找到：https://github.com/davisking/dlib/blob/master/python_examples/svm_binary_classifier.py。以下是相关细节：
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，如果你想使用C ++，你应该只使用C ++。 Dlib主要是一个C ++库而不是python库。 dlib的重点是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 ++进行培训。 dlib和完整的C ++ API文档附带了99个完整的C ++示例。例如，这是一个相关示例http://dlib.net/svm_c_ex.cpp.html。
我真的应该强调dlib的C ++ API比python API更灵活。实际上，dlib的目的是在C ++中简化机器学习，dlib的python API是事后的想法。实际上，dlib的许多功能都是用C ++模板表达的，这些模板在Python中没有可能的相关性（例如，因为python没有像C ++模板那样），因此这些功能不会暴露给python。所以，如果你想使用C ++，那么使用C ++。 如果您知道如何编写C ++ ，则没有理由使用Python API。
答案 1 :(得分：2)
不是一个完整的答案，而是一些评论：
您观察到的错误至少部分是由于支票here。
for (long r = 0; r < x_labels.nr(); ++r)
{
if (x_labels(r) != -1 && x_labels(r) != 1)
return false;
表示： labels = np.array([True, True, True, False, False, False])错误，而labels = np.array([1, 1, 1, -1, -1, -1])是正确的。
通常，在大多数MLlib中，数据格式为（n_samples，n_features），其中行是观察值。
打印出你的特征向量时，这看起来是正确的，但你的代码，在更改（1）之后仍然会抛出相同的错误，除非你把它当作另一种方式处理：所以另一个解释是：你有2个样本，每个6个特征。使用这个假设，y需要有2个值。 Etvoilà......至少是训练！
import dlib
import numpy as np
# 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([-1, 1]) # +1/-1 & size == 2
# 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.be_verbose = 10
svm.train(feature_vectors, labels_array)
print('k')
dlib的python-API没有predict()函数。 C ++ - API有一些用于预测的learned_function属性，但this和this表示你必须自己做（可能使用c_class1和co。因为我无法映射其他任何可用于API-doc候选人的东西。）
编辑：我错误的预测，正如dlib的维护者/开发人员在评论中提到的那样！
我真的不喜欢这个状态，会用别的东西！ （或改进dlib）。
不确定如何解释您的环境限制，但是：
答案 2 :(得分：0)
当我将for循环更改为此时（我没有dlib）：
for feature_column in [feature_column_1, feature_column_2]:
print(feature_column.tolist())
我得到了这个结果
[-1, -2, -3, 1, 2, 3]
[1, 2, 3, -1, -2, -3]
我认为您的数据应如下所示：
[-1, 1]
[-2, 2]
[-2, 2]
[1, -1]
[2, -2]
[3, -3]
使用这段代码可以得到什么：
features = [[-1,1],[-2,2],[-2,2],[1,-1],[2,-2],[3,-3]]
for feature in features:
feature_vectors.append(dlib.vector(feature_column.tolist()))