编译和测试使用机器学习库dlib

介绍

dlib 是一个用 C++ 编写的通用开源库，提供了丰富的机器学习、数值计算、图像处理和深度学习工具。它以模块化设计著称，既适合快速开发原型，也可以用于高性能生产环境。

在机器学习方面，dlib 支持多种经典算法，例如支持向量机（SVM）、k-近邻（k-NN）、随机森林、线性/非线性回归等，同时提供了向量归一化、特征选择和核方法等工具，方便构建高效的模型。

dlib 的深度学习模块（dlib::dnn）基于现代卷积神经网络设计，支持全连接、卷积、池化、ReLU 等常用层结构，并提供 dnn_trainer 接口，可监控训练过程、调整学习率和批量大小，适合图像分类、对象检测、回归和其他监督学习任务。

此外，dlib 还提供了图像处理、特征点检测、人脸识别、矩阵运算、并行计算等功能，库本身跨平台且依赖少，可在 Windows、Linux、macOS 等系统上无缝运行。

下载和编译安装

dlib的官网：https://dlib.net/

dlib的github地址：https://github.com/davisking/dlib

从github拉取源码，解压。需要使用cmake和mingw进行编译

打开cmake-gui，选择源码目录和设置输出目录，点击configure，选择编译系统的makefile文件类型。点击finish

之后出现红色条目，可以改一些选项，比如设置库安装目录

设置好后再次点击configure，恢复正常颜色，点击generate生成makefile文件

到输出目录，打开cmd，输入下面的2个命令进行编译和安装

mingw32-make
mingw32-make install

安装结束后，在安装目录下可以看到库文件，会发现只有2个文件夹，include/和lib/，这就是之后需要使用的库文件

测试

写c++程序并且进行编译链接测试，编译链接命令很简单，指定dlib库文件的头文件目录和链接库目录，链接库文件就行了

g++ main.cpp -o main.exe -ID:\BuildTools\dlib\include -LD:\BuildTools\dlib\lib -ldlib
./main.exe

下面的就是我运行了几个测试例子：

用 dlib 做线性回归

#include <dlib/matrix.h>
#include <dlib/svm.h>
#include <iostream>
#include <vector>

using namespace std;
using namespace dlib;

int main() {
    // 定义输入特征类型，这里是2维特征
    typedef matrix<double,2,1> sample_type;
    typedef radial_basis_kernel<sample_type> kernel_type;

    // 构造训练数据
    std::vector<sample_type> samples;
    std::vector<double> labels;

    // 简单数据：y = 2*x1 + 3*x2 + 5
    for(double x1=0; x1<10; x1++) {
        for(double x2=0; x2<10; x2++) {
            sample_type m;
            m(0) = x1;
            m(1) = x2;
            samples.push_back(m);
            labels.push_back(2*x1 + 3*x2 + 5);
        }
    }

    // 创建线性回归器
    vector_normalizer<sample_type> normalizer;
    normalizer.train(samples);
    for(auto& s : samples) s = normalizer(s);

    // 使用线性回归训练
    svr_trainer<kernel_type> trainer;
    trainer.set_kernel(kernel_type(0.1));
    decision_function<kernel_type> df = trainer.train(samples, labels);

    // 测试预测
    sample_type test;
    test(0) = 4;
    test(1) = 5;
    test = normalizer(test);
    double prediction = df(test);

    cout << "Predicted value: " << prediction << endl;
    cout << "True value: " << 2*4 + 3*5 + 5 << endl;

    return 0;
}

结果

Predicted value: 28.0355
True value: 28

二分类 SVM 的 C++ 示例

#include <dlib/svm.h>
#include <iostream>
#include <vector>

using namespace std;
using namespace dlib;

int main() {
    // 定义每个样本的特征类型，这里是2维
    typedef matrix<double, 2, 1> sample_type;
    typedef radial_basis_kernel<sample_type> kernel_type;

    // 准备训练数据
    std::vector<sample_type> samples;
    std::vector<double> labels;  // +1 或 -1

    // 类别1: 点在圆心(2,2)附近
    for(double x=1; x<=3; x+=0.5) {
        for(double y=1; y<=3; y+=0.5) {
            sample_type s;
            s(0) = x;
            s(1) = y;
            samples.push_back(s);
            labels.push_back(+1);
        }
    }

    // 类别2: 点在圆心(7,7)附近
    for(double x=6; x<=8; x+=0.5) {
        for(double y=6; y<=8; y+=0.5) {
            sample_type s;
            s(0) = x;
            s(1) = y;
            samples.push_back(s);
            labels.push_back(-1);
        }
    }

    // 数据归一化
    vector_normalizer<sample_type> normalizer;
    normalizer.train(samples);
    for(auto& s : samples) s = normalizer(s);

    // 创建 SVM 训练器
    svm_c_trainer<kernel_type> trainer;
    trainer.set_kernel(kernel_type(0.5));
    trainer.set_c(10);  // 惩罚参数，越大越严格

    // 训练模型
    decision_function<kernel_type> df = trainer.train(samples, labels);

    // 测试预测
    sample_type test1, test2;
    test1(0) = 2; test1(1) = 2;   // 类别1
    test2(0) = 7; test2(1) = 7;   // 类别2
    test1 = normalizer(test1);
    test2 = normalizer(test2);

    cout << "Prediction for test1: " << df(test1) << " (Class: " << (df(test1)>0?"+1":"-1") << ")" << endl;
    cout << "Prediction for test2: " << df(test2) << " (Class: " << (df(test2)>0?"+1":"-1") << ")" << endl;

    return 0;
}

输出

Prediction for test1: 1.18366 (Class: +1)
Prediction for test2: -1.18362 (Class: -1)