LibSVM笔记系列(1)中已经提到在g++环境中编译LibSVM只需要一个make命令那样简单。

本文将介绍

(1)LibSVM的编译文件结构

(2)svm.h中重要数据结构及函数分析

(3)svm_train.c 和 svm_predict.c源代码分析

(4)如何将LibSVM移植到eclipse IDE环境中

1. LibSVM编译文件结构

要了解一个工程是如何编译链接的,最好的办法是参考Makefile。

CXX ?= g++

CFLAGS = -Wall -Wconversion -O3 -fPIC

SHVER = 2

OS = $(shell uname)

all: svm-train svm-predict svm-scale

lib: svm.o


if [ "$(OS)" = "Darwin" ]; then \


SHARED_LIB_FLAG="-dynamiclib -Wl,-install_name,libsvm.so.$(SHVER)"; \


else \


SHARED_LIB_FLAG="-shared -Wl,-soname,libsvm.so.$(SHVER)"; \


fi; \


$(CXX) $${SHARED_LIB_FLAG} svm.o -o libsvm.so.$(SHVER)

svm-predict: svm-predict.c svm.o


$(CXX) $(CFLAGS) svm-predict.c svm.o -o svm-predict -lm

svm-train: svm-train.c svm.o


$(CXX) $(CFLAGS) svm-train.c svm.o -o svm-train -lm

svm-scale: svm-scale.c


$(CXX) $(CFLAGS) svm-scale.c -o svm-scale

svm.o: svm.cpp svm.h


$(CXX) $(CFLAGS) -c svm.cpp

clean:


rm -f *~ svm.o svm-train svm-predict svm-scale libsvm.so.$(SHVER)

tags:


ctags --c++-kinds=+p --fields=+iaS --extra=+q -R

从上面的Makefile可以看出,之前的make命令执行的是all目标,all目标包括svm-train, svm-predict和svm-scale三个依赖,因此使用make编译后的可执行文件有svm-train, svm-predict和svm-scale共3个。

下图描述了生成svm-predict和svm-train目标的过程,支持向量机的所有相关的核心代码在svm.cpp中实现,svm_train.c和svm_predict.c中只是提供了训练和预测的主函数接口而已。我们将svm修改移植时只需要仿照svm_train.c或svm_predict.c进行修改就可以了。

2. svm.h中重要数据结构及函数分析(参考README)

大部分函数在头文件“svm.h”,因此在自己的C/C++文件中必须#include "svm.h",而且
要将svm.cpp一同编译到自己的程序当中。可以参考svm-train.c和svm-predict.c。在
svm.h中定义了LIBSVM_VERSION以及声明了'extern int libsvm_version'。

在对测试数据分类前,需要使用训练数据构建一个'svm_model',这个模型可以存到文件
中或立即被使用。

- Function: struct svm_model *svm_train(const struct svm_problem *prob,
const struct svm_parameter *param);

This function constructs and returns an SVM model according to
    the given training data and parameters.

struct svm_problem
    {
        int l;                 // 训练数据的数量
        double *y;             // 包含标签值的数组
        struct svm_node **x;   // 指针数组,每一个指针指向一个训练的特征向量
    };

比如,数据如下:

LABELATTR1ATTR2ATTR3ATTR4ATTR5
    ------------------------------
      1 0  0.1 0.2  0 0
      2 0  0.1 0.3 -1.2 0
      1 0.4  0 0 0 0
      2 0  0.1 0  1.4 0.5
      3-0.1 -0.2 0.1  1.1 0.1

则svm_problem结构体成员的值如下:

l = 5

y -> 1 2 1 2 3

x -> [ ] -> (2,0.1) (3,0.2) (-1,?)
[ ] -> (2,0.1) (3,0.3) (4,-1.2) (-1,?)
[ ] -> (1,0.4) (-1,?)
[ ] -> (2,0.1) (4,1.4) (5,0.5) (-1,?)
[ ] -> (1,-0.1) (2,-0.2) (3,0.1) (4,1.1) (5,0.1) (-1,?)

注意x,其中的(index,value)存储在'svm_node'结构体中:
 
   struct svm_node
{
int index;         // 特征向量中非0元素的索引
double value;      // 索引值位置对应的特征值
};        
   
   index = -1 表示向量的结束。注意,index的值是递增的。

struct svm_parameter 描述了SVM model的参数:

struct svm_parameter
{
int svm_type;
int kernel_type;
int degree; /* for poly */
double gamma; /* for poly/rbf/sigmoid */
double coef0; /* for poly/sigmoid */

/* these are for training only */
double cache_size; /* in MB */
double eps; /* stopping criteria */
double C; /* for C_SVC, EPSILON_SVR, and NU_SVR */
int nr_weight;/* for C_SVC */
int *weight_label;/* for C_SVC */
double* weight;/* for C_SVC */
double nu; /* for NU_SVC, ONE_CLASS, and NU_SVR */
double p; /* for EPSILON_SVR */
int shrinking;/* use the shrinking heuristics */
int probability; /* do probability estimates */
};

svm_type 可以为C_SVC, NU_SVC, ONE_CLASS, EPSILON, NU_SVR.

C_SVC:C-SVM classification
    NU_SVC:nu-SVM classification
    ONE_CLASS:one-class-SVM
    EPSILON_SVR:epsilon-SVM regression
    NU_SVR:nu-SVM regression

kernel_type可以为LINEAR, POLY, RBF, SIGMOID.

LINEAR:u'*v
    POLY:(gamma*u'*v + coef0)^degree
    RBF:exp(-gamma*|u-v|^2)
    SIGMOID:tanh(gamma*u'*v + coef0)
    PRECOMPUTED: kernel values in training_set_file

注意:在还要使用svm_train返回的svm_model的情况下,不能将svm_problem的内存空间释放,
    因为svm_model中含有指向svm_problem结构的指针。

注意:为了避免传入错误的参数,应该在使用svm_train之前使用svm_check_parameter()检验。

svm_model存储了训练过程获得的模型,不建议直接访问该结构体中的实体,而应该使用接口
    函数获得结构体中成员的值。

struct svm_model
{
struct svm_parameter param;/* parameter */
int nr_class; /* number of classes, = 2 in regression/one class svm */
int l; /* total #SV */
struct svm_node **SV;   /* SVs (SV[l]) */
double **sv_coef;/* coefficients for SVs in decision functions (sv_coef[k-1][l]) */
double *rho; /* constants in decision functions (rho[k*(k-1)/2]) */
double *probA;/* pairwise probability information */
double *probB;
int *sv_indices;        /* sv_indices[0,...,nSV-1] are values in [1,...,num_traning_data] to indicate SVs in the training set */

/* for classification only */

int *label; /* label of each class (label[k]) */
int *nSV; /* number of SVs for each class (nSV[k]) */
/* nSV[0] + nSV[1] + ... + nSV[k-1] = l */
/* XXX */
int free_sv; /* 1 if svm_model is created by svm_load_model*/
/* 0 if svm_model is created by svm_train */
};

SV和sv_coef是支持向量和对应的系数。假设有k类,对于第j类中的数据,对应的sv_coef包括
    支持向量的系数是一个 (k-1)y*alpha 的向量,比如有4类,则sv_coef和SV如下:

+-+-+-+--------------------+
        |1|1|1|                    |
        |v|v|v|  SVs from class 1  |
        |2|3|4|                    |
        +-+-+-+--------------------+
        |1|2|2|                    |
        |v|v|v|  SVs from class 2  |
        |2|3|4|                    |
        +-+-+-+--------------------+
        |1|2|3|                    |
        |v|v|v|  SVs from class 3  |
        |3|3|4|                    |
        +-+-+-+--------------------+
        |1|2|3|                    |
        |v|v|v|  SVs from class 4  |
        |4|4|4|                    |
        +-+-+-+--------------------+

参考svm_train(),其中给sv_coef赋了值。

rho是平衡项(-b)。probA和probB是用于概率输出的参数。如果有k类,则有k*(k-1)/2
    个二元分类问题,按照如下的方式对齐:

1 vs 2, 1 vs 3, ..., 1 vs k, 2 vs 3, ..., 2 vs k, ..., k-1 vs k.

sv_indices[0,...,nSV-1]值在[1,...,num_training_data]范围内,标识训练数据集中的支持向量。

label 包含了训练数据集中的标签。

nSV包含了训练数据集中每类的支持向量数。

free_sv是一个标志,决定是否在free_model_content(struct svm_model*)中
    和free_and_destroy_model(struct svm_model**)中将SV的空间释放。如果SV是由svm_train()得到
    的,则设置为0,不能释放,如果是通过svm_load_model加载的,则设置为1。

- Function: double svm_predict(const struct svm_model *model,
                               const struct svm_node *x);

For a classification model, the predicted class for x is returned.
    For a regression model, the function value of x calculated using
    the model is returned. For an one-class model, +1 or -1 is
    returned.

3. svm_train.c的源代码分析

注意,虽然看到的是.c的文件,但里面实际使用了不少C++特有的东西,因此,在后面eclipse移植过程中最好“新建C++”工程。

svm_predict.c的代码分析类似,svm_predict的过程比svm_train更简单。


4. 将LibSVM移植到eclipse IDE的过程

前提要求:配置好的eclipse C/C++环境,或者使用VC环境也一样

移植文件:svm.cpp  svm.h  svm-train.c

拷贝数据文件:heart_scale

(1)新建C++工程

(2)将“移植文件”拷贝到工程目录并添加到工程

(3)添加命令行参数,eclipse中,在“Run Configurations”的Arguments选项卡中添加heart_scale heart_scale.model。


(4)编译运行结果,与make结果相同

*
optimization finished, #iter = 162
nu = 0.431029
obj = -100.877288, rho = 0.424462
nSV = 132, nBSV = 107
Total nSV = 132

LibSVM笔记系列(3)——初学移植libsvm的C/C++版本的更多相关文章

  1. 《Mastering Opencv ...读书笔记系列》车牌识别(II)

    http://blog.csdn.net/jinshengtao/article/details/17954427   <Mastering Opencv ...读书笔记系列>车牌识别(I ...

  2. 【论文笔记系列】AutoML:A Survey of State-of-the-art (下)

    [论文笔记系列]AutoML:A Survey of State-of-the-art (上) 上一篇文章介绍了Data preparation,Feature Engineering,Model S ...

  3. Hadoop学习笔记系列文章导航

    一.为何要学习Hadoop? 这是一个信息爆炸的时代.经过数十年的积累,很多企业都聚集了大量的数据.这些数据也是企业的核心财富之一,怎样从累积的数据里寻找价值,变废为宝炼数成金成为当务之急.但数据增长 ...

  4. MongoDB学习笔记系列

    回到占占推荐博客索引 该来的总会来的,Ef,Redis,MVC甚至Sqlserver都有了自己的系列,MongoDB没有理由不去整理一下,这个系列都是平时在项目开发时总结出来的,希望可以为各位一些帮助 ...

  5. C#温故知新:《C#图解教程》读书笔记系列

    一.此书到底何方神圣? 本书是广受赞誉C#图解教程的最新版本.作者在本书中创造了一种全新的可视化叙述方式,以图文并茂的形式.朴实简洁的文字,并辅之以大量表格和代码示例,全面.直观地阐述了C#语言的各种 ...

  6. C#刨根究底:《你必须知道的.NET》读书笔记系列

    一.此书到底何方神圣? <你必须知道的.NET>来自于微软MVP—王涛(网名:AnyTao,博客园大牛之一,其博客地址为:http://anytao.cnblogs.com/)的最新技术心 ...

  7. Dynamic CRM 2013学习笔记 系列汇总

    这里列出所有 Dynamic CRM 2013学习笔记 系列文章,方便大家查阅.有任何建议.意见.需要,欢迎大家提交评论一起讨论. 本文原文地址: Dynamic CRM 2013学习笔记 系列汇总 ...

  8. SQLServer学习笔记系列3

    一.写在前面的话 今天又是双休啦!生活依然再继续,当你停下来的时候,或许会突然显得不自在.有时候,看到一种东西,你会发现原来在这个社会上,优秀的人很多,默默 吃苦努力奋斗的人也多!星期五早上按时上班, ...

  9. SQLServer学习笔记系列2

    一.写在前面的话 继上一次SQLServer学习笔记系列1http://www.cnblogs.com/liupeng61624/p/4354983.html以后,继续学习Sqlserver,一步一步 ...

随机推荐

  1. SASS组件开发

    *:first-child { margin-top: 0 !important; } body>*:last-child { margin-bottom: 0 !important; } /* ...

  2. Symfony框架系列----1.入门安装

    一.安装    (1)Composer安装(可选) $ curl -s https://getcomposer.org/installer | php $ php composer.phar crea ...

  3. 二、Python-----用户交互

    1.用户交互 Python 3.0的写法 name = input("Please input your name:") Python 2.0的写法 name = raw_inpu ...

  4. [LeetCode]题解(python):073-Set Matrix Zeroes

    题目来源: https://leetcode.com/problems/set-matrix-zeroes/ 题意分析: 输入一个m×n矩阵,如果出现有0,那么将对应的行和列都变成0. 题目思路: 简 ...

  5. 高质量程序设计指南C/C++语言——有了malloc/free为什么还要new/delete?

  6. java.lang.ClassCastException: oracle.sql.TIMESTAMP cannot be cast to java.sql.Timestamp

    http://stackoverflow.com/questions/13269564/java-lang-classcastexception-oracle-sql-timestamp-cannot ...

  7. QT4/QT5设置界面风格(QT4支持更多的Windows界面风格)

    #include "mainwindow.h" #include <QApplication> #include <QTextCodec> #include ...

  8. C#使用Windows API 隐藏/显示 任务栏 (FindWindowEx, ShowWindow)

    原文 C#使用Windows API 隐藏/显示 任务栏 (FindWindowEx, ShowWindow) 今天,有网友询问,如何显示和隐藏任务栏? 我这里,发布一下使用Windows API 显 ...

  9. [Windows编程] #pragma once 和#ifndef ... #define ... #endif 比较

    C++中防止头文件被多次include 的常见方式有: 1) 用#ifndef ...  #define ... #endif  宏 #ifndef __MYHEADER_H__#define __M ...

  10. Fractal(递归,好题)

    Fractal Time Limit: 1000MS   Memory Limit: 30000K Total Submissions: 8341   Accepted: 3965 Descripti ...