人工智能机器学习深度学习【免费下载链接】mlpackmlpack: a fast, header-only C machine learning library项目地址https://gitcode.com/gh_mirrors/ml/mlpack点击查看免费下载本文以 mlpack 官方安装文档为核心系统梳理在 C 程序、命令行、Python/Julia/R/Go 等语言绑定以及源码开发等不同场景下的全部安装路径涵盖依赖版本、CMake 配置选项、测试构建与程序编译验证。读完本文你将能够根据自身用途选择最合适的安装方式并独立完成从安装库到编译并运行第一个 mlpack 程序的完整闭环。mlpack 是一个 header-only纯头文件的 C 机器学习库这意味着在多数场景下你不需要编译库本身只需把src/目录加入编译器的头文件搜索路径即可使用而当你需要命令行程序、其他语言绑定或运行测试套件时才需要通过 CMake 从源码构建。下面按使用场景分别说明。一、安装路径总览先明确你的用途官方安装文档doc/user/install.md按照使用意图把安装方式分为三类选择正确的入口可以避免大量不必要的构建只想在 C 程序中使用 mlpack优先通过 系统包管理器 安装最简单或从源码安装头文件Windows 用户参见 doc/user/build_windows.md需要交叉编译参见 doc/embedded/supported_boards.md。想使用其他语言绑定优先通过语言包管理器安装最简单或手动编译绑定。想开发 mlpack 本身从源码完整配置与编译了解 CMake 配置选项构建测试套件。无论通过哪种方式装好 mlpack最后都可以用编译一个测试程序来验证环境是否就绪。二、使用系统包管理器安装最省事包管理器会自动处理 mlpack 的依赖这是 C 场景下最省心的安装方式。各发行版对应命令如下发行版 / 包管理器命令Ubuntu / Debiansudo apt-get install libmlpack-devFedora / RHELsudo dnf install mlpack-develArch Linuxsudo pacman -S mlpackmacOSHomebrewbrew install mlpackmacOSMacPortssudo port install mlpackWindowsvcpkgvcpkg install mlpack:x64-windowscondaconda install conda-forge::mlpackConanconan install --requiresmlpack/[*] --buildmissing此外DockerHub 上提供已预装 mlpack 的mlpack/mlpack镜像可直接启动一个具备 mlpack 环境的容器docker run -it mlpack/mlpack /bin/bash注意事项包管理器通常不会自动安装 C17 编译器编写 mlpack 程序前请确保系统中有支持 C17 的编译器例如 GCC 8、Clang 3.5仓库根目录 CMakeLists.txt 中明确要求 GCC 8.x 或更新版本。OpenBLAS 线程数警告在 Ubuntu 和 Debian 系统上OpenBLAS 0.3.26 及更早版本可能过度占用系统核心数导致 mlpack 程序尤其是测试套件运行缓慢。解决方法是按测试构建小节设置OMP_NUM_THREADS或在 Ubuntu/Debian 上安装libopenblas-openmp-dev并移除libopenblas-pthread-dev。Ubuntu 24.04、Debian bookworm 及更早版本均受此问题影响。三、从源码安装头文件header-only 方式mlpack 是纯头文件库如果只是想在 C 程序中使用它无需执行源码配置编译。只需下载 mlpack 源码并解压然后在编译程序时确保src/目录在头文件搜索路径中。对大多数编译器而言即在命令行加上-I标志g -I/path/to/mlpack/src/ -o program program.cpp -larmadillo如果你希望把 mlpack 头文件以标准方式安装到系统中可以通过 CMake 执行安装mkdir build cd build/ cmake .. sudo make install从 CMake v3.14.0 开始cmake命令可以自行创建构建目录上述命令可等价改写为cmake -S . -B build sudo cmake --build build --target install注意这里仅执行配置 安装头文件并不构建测试或绑定需要完整构建的读者请直接跳到第七节。四、依赖清单编译与运行的前提要保证 mlpack 头文件能被正确解析编译器必须能找到以下三个核心依赖仓库根目录 CMakeLists.txt 与 CMake/mlpack.cmake 中同步定义了最低版本依赖最低版本用途Armadillo 10.8线性代数与矩阵运算基础库ensmallen 2.10.0数值优化器SGD、L-BFGS 等cereal 1.1.2模型序列化保存/加载在 Debian 和 Ubuntu 上可用一条命令安装全部相关依赖sudo apt-get install libarmadillo-dev libensmallen-dev libcereal-dev libstb-dev g cmake4.1 随库捆绑的第三方头文件库mlpack 还捆绑了三个 header-only 的第三方库分别用于图像加载、数据集下载和音频加载STBstb_image.h、stb_image_write.h、stb_image_resize2.h图像支持httplibcpp-httplib远程数据集下载支持dr_libsdr_mp3.h、dr_wav.h音频加载支持。如果你更愿意使用系统自带的版本参见 doc/user/compile.md#configuring-mlpack-with-compile-time-definitions 中的编译期选项如MLPACK_USE_SYSTEM_STB、MLPACK_USE_SYSTEM_DR_LIBS、MLPACK_USE_SYSTEM_HTTPLIB。4.2 手动编译 Armadillo 时的额外要求如果手动编译 Armadillo务必启用LAPACK 和 BLAS例如通过 OpenBLAS否则矩阵运算性能与功能会受限。4.3 自动下载依赖DOWNLOAD_DEPENDENCIES如果你通过 CMake 配置 mlpack见第七、八节可以开启-DDOWNLOAD_DEPENDENCIESON让自动下载器获取缺失的依赖详见第八节。该特性对交叉编译尤其有用因为它会自动下载并为目标架构编译 OpenBLAS。从源码结构看CMake/mlpack.cmake 中的fetch_mlpack()宏完整实现了先查本地、再查系统、最后自动下载三级依赖获取策略。五、通过语言包管理器安装绑定如果要在其他语言中使用 mlpack各语言的官方 quickstart 提供了对应的安装命令语言安装方式快速上手文档Pythonpip install mlpack或conda install -c conda-forge mlpackdoc/quickstart/python.md命令行CLIsudo apt-get install mlpack-binUbuntu/Debian等doc/quickstart/cli.mdJuliausing Pkg; Pkg.add(mlpack)doc/quickstart/julia.mdRinstall.packages(mlpack)CRANdoc/quickstart/r.mdGogo get -u -d mlpack.org/v1/mlpack随后在$GOMODCACHE/mlpack.org/v1/mlpack下执行make sudo make installdoc/quickstart/go.mdDocker 镜像mlpack/mlpack已预装全部语言绑定可通过docker run -it mlpack/mlpack /bin/bash直接使用。六、手动编译各语言绑定从源码手动构建语言绑定是可行的但官方并不推荐构建特定语言的绑定往往需要较多的环境配置且绑定构建完成后将其部署到目标语言环境中通常需要该语言特有的知识本指南不展开。若确有需要请遵循第七节的编译流程并开启第八节中对应的绑定选项。绑定产物的输出位置约定如下build/为 CMake 指定的构建目录lang替换为python/r/go/juliaPython / R / Go / Julia 绑定build/src/mlpack/bindings/lang/命令行绑定例外输出到build/bin/Markdown 绑定例外在build/doc/下生成 Markdown 文档文件。七、从源码编译完整构建如果你要开发 mlpack或需要构建测试套件、命令行程序及其他语言绑定就必须从源码编译。安装好第四节的依赖并下载解压源码后用 CMake 配置mkdir build cd build/ cmake -DBUILD_TESTSON -DBUILD_CLI_EXECUTABLESON ../ make -j4-j4表示使用 4 个核心并行编译内存紧张或核心数不足时可调小核心充足时可调大以加速构建。更多选项见第八节的完整表格。值得说明的是仓库根目录 CMakeLists.txt 中BUILD_CLI_EXECUTABLES的 CMake 默认值实际为ON文档表格中标注为OFF以文档为准时建议显式传入其余核心选项BUILD_TESTS、DOWNLOAD_DEPENDENCIES、USE_OPENMP等默认均为OFF/ON如文档所示。八、CMake 配置选项详解配置 mlpack 时可以使用以下选项以下表格完整继承自官方文档 doc/user/install.md8.1 通用配置选项说明默认值-DCMAKE_BUILD_TYPEbuild type指定构建类型Debug、Release、RelWithDebInfo、MinSizeRelRelease-DDOWNLOAD_DEPENDENCIESON下载系统中未找到的全部依赖OFF-DARMA_EXTRA_DEBUGON输出额外的 Armadillo 调试信息警告极其冗长OFF-DTEST_VERBOSEON运行测试时输出详细日志OFF-DBUILD_TESTSON构建mlpack_testOFF-DUSE_OPENMPON使用 OpenMP 并行化ON-DUSE_PRECOMPILED_HEADERSOFF构建时禁用预编译头OFF-DUSE_SYSTEM_STBOFF使用 mlpack 捆绑的 STB若设为ON请确保系统有stb_image.h、stb_image_write.h、stb_image_resize2.hOFF-DDISABLE_STBOFF禁用 mlpack 内的 STB 支持不需要图像处理时如仅使用实时传感器数据可减小程序体积OFF-DUSE_SYSTEM_DR_LIBSOFF使用系统中的 dr_mp3/dr_wav 而非捆绑版本若设置请确保dr_mp3.h、dr_wav.h可用OFF-DDISABLE_DR_LIBSOFF禁用 mlpack 内的 dr_libs音频支持不需要音频处理时使用OFF-DUSE_SYSTEM_HTTPLIBOFF使用系统中的 cpp-httplib 而非捆绑版本若设置请确保httplib.h可用OFF-DDISABLE_HTTPLIBOFF禁用 mlpack 内的 httplib 支持嵌入式等不需要 httplib 的系统使用OFF-DDISABLE_REMOTE_DATASET_CACHEOFF禁用已下载数据集的缓存设为ON时Load()下载的文件保存到系统临时目录而非缓存目录OFF-DREMOTE_DATASET_CACHE_DIR/path/to/cache/覆盖数据集缓存目录Linux/macOS 默认$HOME/.mlpack/cache/Windows 默认%APPDATA%\mlpack\cache\—缓存行为佐证在 doc/user/load_save.md 中说明通过 URL 下载的数据集会先加入本地缓存以避免重复下载缓存默认位于~/.mlpack/cache/Linux/macOS或%APPDATA%\mlpack\cache\Windows并可通过上述两个 CMake 选项禁用或重定向。8.2 依赖位置选项说明-DARMADILLO_INCLUDE_DIR/path/to/arma/include/包含armadillo头文件的路径-DARMADILLO_LIBRARY/path/to/libarmadillo.so已编译的 Armadillo 库路径使用 Armadillo wrapper 库时-DARMADILLO_LIBRARIES/path/to/lib1.so;/path/to/lib2.so不使用 Armadillo wrapper 库时需链接的库列表-DCEREAL_INCLUDE_DIR/path/to/cereal/include/包含 cereal 头文件的路径-DENSMALLEN_INCLUDE_DIR/path/to/ens/include/包含ensmallen.hpp的路径-DSTB_INCLUDE_DIR/path/to/stb/include/包含stb.h与stb_image.h的路径-DDR_LIBS_INCLUDE_DIR/path/to/dr_libs/include/包含dr_mp3.h与dr_wav.h的路径-DHTTPLIB_INCLUDE_DIR/path/to/httplib/include/包含httplib.h的路径8.3 绑定选项选项说明默认值-DBUILD_CLI_EXECUTABLESON构建命令行程序OFF-DBUILD_PYTHON_BINDINGSON构建 Python 绑定OFF-DPYTHON_EXECUTABLE/path/to/python使用的 Python 程序位置—-DBUILD_GO_BINDINGSON构建 Go 绑定OFF-DBUILD_GO_SHLIBOFF不为 Go 绑定构建共享库ON-DBUILD_JULIA_BINDINGSON构建 Julia 绑定OFF-DJULIA_EXECUTABLE/path/to/juliaJulia 解释器位置—-DBUILD_R_BINDINGSON构建 R 绑定OFF-DBUILD_MARKDOWN_BINDINGSON构建 Markdown 绑定各绑定语言的 Markdown 文档OFF从源码看各绑定选项在 CMakeLists.txt 中被显式定义为option(...)并在配置阶段检测对应语言工具链例如开启BUILD_PYTHON_BINDINGS后若找不到 Python 会直接报错相关查找逻辑分散于 CMake/FindR.cmake、CMake/FindJulia.cmake、CMake/FindGo.cmake 等模块。九、构建并运行测试套件若正在开发 mlpack 或希望运行测试套件在完成 CMake 配置后可直接构建测试目标make -j4 mlpack_test构建完成后耗时可能较长在构建目录中运行测试可选择全部测试或某个测试套件bin/mlpack_test bin/mlpack_test [LARSTest]mlpack_test使用 Catch2它通过Catch::Session解析命令行、打印 mlpack 与 Armadillo 版本并根据 Catch2 的随机种子调用mlpack::RandomSeed()保证测试可复现。测试数据会在构建后自动拷贝构建规则见 src/mlpack/tests/CMakeLists.txt它会将src/mlpack/tests/data/下的数据文件复制到构建目录。可通过ctest运行注册好的 Catch 测试入口add_test(NAME catch_test COMMAND mlpack_test ...)见 src/mlpack/tests/CMakeLists.txt。9.1 OpenBLAS 线程数问题的完整规避方法警告在 Linux 系统上编译为 pthread 版本的 OpenBLAS 0.3.26 及更早版本可能过度占用核心数导致 mlpack 程序尤其是测试套件运行缓慢使用 OpenMP 编译的 OpenBLAS 版本无此问题。规避方法是将OMP_NUM_THREADS设为系统核心数的一半例如 8 核系统执行OMP_NUM_THREADS4 bin/mlpack_test此规避适用于同时满足以下条件的任何 mlpack 程序编译时启用了 OpenMP例如使用了-fopenmpArmadillo 使用 OpenBLASOpenBLAS 版本为 0.3.26 或更早OpenBLAS 以 pthread 方式编译Ubuntu、Debian、Fedora 的默认情况。十、编译并运行第一个 mlpack 程序mlpack 安装完成后验证环境的最快方式是编译一个测试程序。以下程序从 3 维高斯分布中随机采样一个点#include mlpack.hpp using namespace mlpack; int main() { // Sample a point from a 3-dimensional Gaussian distribution. GaussianDistribution g(3); std::cout Random sample from 3D Gaussian: std::endl g.Random(); }使用如下命令编译GaussianDistribution类定义位于 src/mlpack/core/distributions/gaussian_distribution.hpp由mlpack.hpp统一引入g -O3 -stdc17 -o my_program my_program.cpp -larmadillo -fopenmp根据所用编译器或个人偏好可适当调整该命令如换成 clang、去掉-fopenmp等。10.1 关于神经网络的序列化如果需要序列化保存/加载神经网络必须在包含mlpack.hpp之前添加宏定义#define MLPACK_ENABLE_ANN_SERIALIZATION #include mlpack.hpp该宏默认不启用因为开启后编译器需要为所有可能的网络层生成序列化代码会显著增加编译时间相关说明见 src/mlpack.hpp 与 doc/user/compile.md若未定义该宏却序列化了神经网络将产生编译错误。10.2 使用自动下载器时的链接方式当通过-DDOWNLOAD_DEPENDENCIESON自动下载 Armadillo 时Armadillo 运行时库不会被构建必须使用 header-only 模式并直接链接 Armadillo 的底层依赖。例如系统装有 OpenBLAS 时g -O3 -stdc17 -o my_program my_program.cpp -lopenblas -fopenmp从 CMake/mlpack.cmake 的fetch_mlpack()实现可确认自动下载流程会优先查找系统 BLAS找不到时下载并在COMPILE_OPENBLASON或交叉编译时编译 OpenBLAS之后 Armadillo 仅以头文件形式参与编译因此链接时需要显式给出 BLAS/LAPACK 库。10.3 更多编译期配置除了安装文档中的内容若需要调整输出流、启用/禁用信息打印、禁用 STB/音频支持、启用 HTTPS 远程数据加载等可参考 doc/user/compile.md#configuring-mlpack-with-compile-time-definitions 中完整的编译期宏表格如MLPACK_PRINT_INFO、MLPACK_DISABLE_STB、MLPACK_ENABLE_HTTPS等相关宏的默认定义与可配置项也集中在 src/mlpack/config.hpp。十一、相关文档导航多文件工程的编译、Makefile 参考、CMake 集成find_package(mlpack)与 Armadillo wrapper 链接细节doc/user/compile.mdWindows 源码构建教程Visual Studio 方案doc/user/build_windows.md嵌入式交叉编译环境搭建ARM、RISC-V、x86 等架构doc/embedded/supported_boards.md各语言快速上手Python、命令行、Julia、R、Go、C仓库根目录 README.md 中同样汇总了依赖清单、C 使用示例与编译时间优化技巧如按需包含mlpack/methods/decision_tree.hpp等单模块头文件、使用extern template、ccache等。赞分享人工智能机器学习深度学习【免费下载链接】mlpackmlpack: a fast, header-only C machine learning library项目地址https://gitcode.com/gh_mirrors/ml/mlpack点击查看免费下载相关推荐从源码构建 MXNetlibmxnet.so 编译、BLAS/CUDA 选型与语言绑定安装完整指南从源码构建 MXNetlibmxnet.so 编译、BLAS/CUDA 选型与语言绑定安装完整指南 本文是 MXNet 从源码构建的完整技术指南围绕两步式构深度学习机器学习人工智能MXNet Python 包从安装到测试语言绑定结构与单元测试运行指南MXNet Python 包从安装到测试语言绑定结构与单元测试运行指南 导读 本文围绕仓库中 python/README.md https://link.gi深度学习机器学习人工智能Task 安装完全指南从包管理器到源码编译的多平台安装方案Task 安装完全指南从包管理器到源码编译的多平台安装方案 Task 是一个受 Make 启发的现代化跨平台任务运行器构建工具本项目仓库即为其完整源码与构建工具开发工具CLI上一篇CANN ops-nn ForeachMulList 算子深度解析张量列表逐元素乘法的一体化实现与 aclnn 接口调用指南下一篇Memray 追踪 Apache Arrow 的 mimalloc 分配Linux 下 arrow_mi_* 符号拦截的实现解析创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考