如何将python训练的XGBoost模型部署在C++环境推理

最新推荐文章于 2024-04-11 23:30:00 发布
最新推荐文章于 2024-04-11 23:30:00 发布
阅读量1.5k 收藏 12
点赞数 3
分类专栏： 软件开发 文章标签： python c++ sklearn 机器学习 Powered by 金山文档
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Nin7a/article/details/129105222
版权

当前环境：Ubuntu，xgboost==1.7.4

过程介绍：

  1. 首先用python训练XGBoost模型，在训练完成后注意使用

xgb_model.save_model('checkpoint.model')

进行模型的保存。

  1. 找到xgboost的动态链接库和头文件

  1. 动态链接库：如果你在conda环境下面安装了xgboost，那么到你的环境中去找libxgboost.so以及libgomp-a34b3233.so.1.0.0这两个动态链接库

  1. 头文件：可直接从该链接中下载https://github.com/dmlc/xgboost/tree/master/include

  1. 下载Eigen，Eigen是一个用于线性代数计算的c++模板库:矩阵、向量、数值求解器和相关算法。我们利用Eigen在C++中定义XGBoost模型的输入特征。https://gitlab.com/libeigen/eigen/-/releases/3.3.7

  1. 基于XGBoost的c_api编写推理的头文件和c++代码

  1. 编写CMake用于编译链接运行

整个过程的代码以及依赖均放在：https://github.com/Outliers1106/XGBoost-py2cpp，大家可以直接使用。

Nin7a
关注
  • 3
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
XGBOOST机器学习算法模型以及C++环境部署应用(原创，保姆级教程)
diegohulk的博客
04-12 851
在使用XGBoost之前，首先需要引入相应的头文件和库。在这个例子中，估计你在其他地方已经引入了相关的头文件，所以我们直接开始看代码。首先我们必须先引入#include ，这是XGBoost的C的API头文件。这部分代码创建了一个XGBoost模型对象，用于加载和保存模型，以及进行预测。首先打开https://github.com/dmlc/xgboost，下载ZIP，首先，它获取测试数据的行数和列数。这部分代码使用训练好的XGBoost模型对测试数据进行预测。
xgboost应用于C++项目
qq_21500275的博客
06-28 3047
xgboost的分类效果优于SVM，CNN等，它具有R语言和python的接口，但没有C++接口，因此需要对xgboost源码进行编译，并应用到C++项目中。xgboost源码编译具体步骤如下： 1、下载旧版xgboost，最新版不含有C++源码及xgboost.sln; 2、用VS打开Windows中的xgboost.sln,首先编译rabit，将会生成rabit.lib文件； 3、编译x...
XGBoost解析系列-原理_C_C++_cyber的博客-CSDN博客1
08-03
0.前言解析源码之前，还是介绍说明下XGBoost原理，网上对于XGBoost原理已有各种版本的解读。而这篇博客，笔者主要想根据自己的理解，梳理看过资料，包括陈
XGBoost1.4.0 c++编译与使用
wd1603926823的专栏
11-08 1183
几年前是用的0.8版本的，python与C++下使用情况一致。 这次别人用时发现不正确，即遇到了这种情况load a python trained xgboost in c++ api, the predict result is empty - Stack Overflow即 auto ret = XGBoosterPredict(booster_, data, 0, 0, &len, &out); if (ret < 0) { LOG(ERROR) <&l.
在Azure上大规模部署模型——第1部分：部署XGBoost模型
寒冰屋的专栏
09-13 933
这是3部分系列文章的第1部分，演示如何使用各种Python AI框架构建的AI模型，并使用Azure ML托管终结点部署和扩展它们。在本文中，我们发布了一个XGBoost模型，该模型经过训练可以从著名的MNIST数据集中识别手写数字。我们将Azure App Service与Flask一起使用，然后使用机器学习在线端点。
xgboost C++源码主要函数
小白白的博客
10-21 3157
（作者：陈玓玏） 1、 源码文件夹结构 文件夹的结构如下，其中build文件夹、lib文件夹以及最后一个xgboost可执行文件是在编译之后才生成的。我们在读源码过程中主要是看include文件夹以及src文件夹中的内容。 2、 主流程 2.1 main函数 src/cli_main.cc文件中 先找到main函数，从main函数开始跟踪整个流程。Main函数调用了xgboost这个命名空间下的...
【XGBoost】第 10 章：XGBoost 模型部署
sikh_0529的博客
09-30 3928
在关于 XGBoost 的最后一章中，您将把所有东西放在一起并开发新技术来构建一个强大的工业机器学习模型。为行业部署模型与为研究和竞赛构建模型略有不同。在工业中，自动化很重要，因为新数据频繁出现。更多的重点放在程序上，而较少强调通过调整机器学习模型来获得微小的百分点。具体来说，在本章中，您将获得有关和的重要经验。此外，您将实施和自定义 scikit-learn 转换器，以自动化机器学习管道，以对混合了和列的数据进行预测。在本章结束时，您的机器学习管道将为任何传入数据做好准备。
c++项目中引入xgboost静态库
doctorq
01-08 8329
参考文章 Using XGBOOST in c++ c++项目引入xgboost动态库 问题背景 xgboost项目官方没有提供c_api方式的编译以及引入教程，所以刚开始我们是用直接把项目源码引入到我们的项目中，非常麻烦。 刚开始我们以源码的方式导入到项目中，调用源代码的方法中，代码写的非常冗余，而且一些api不能为我们所用。所以总想着如何直接引入xgboost的静态
xgboost模型部署及注意相关事宜。
luoyexuge的专栏
05-20 3717
前段时间做的xgboost要部署成service，中途碰到不少坑，首先你部署的机器必须先装gcc环境，而且要6.0x版本 以上，4.x的版本的并不适应，看下代码service项目吧 首先是接口: package com.dianping.text.classify.api.service; public interface PredictionService { publi
dataset=loadtxt('game/pima-indians-diabetes.csv') ValueError: could not convert string to float: b'6
Gunther的博客
12-22 2147
#引入xgboost包 from numpy import loadtxt from xgboost import XGBClassifier from sklearn.metrics import accuracy_score from sklearn.model_selection import train_test_split #分出变量和标签 dataset=loadtxt('game/
xgboost源代码
05-08
本人通过亲自实践，教大家一步步在win下安装xgboost(http://blog.csdn.net/jingyi130705008/article/details/71435562)，这个是之前的xgboost的C++版本，是在python使用xgboost之前必须的包。
Python实现XGBoost时间序列预测（完整源码和数据)
04-04
1.Python实现XGBoost时间序列预测（完整源码和数据) anaconda + pycharm + python +Tensorflow 注意事项：保姆级注释，几乎一行一注释，方便小白入门学习！ 2.代码特点：参数化编程、参数可方便更改、代码编程思路...
xgboost训练、评估与模型的保存、加载及使用
11-17
xgboost模型训练、评估与模型的保存、加载及使用 python 经过调试的代码，可运行，数据集存于https://download.csdn.net/download/zzpl139/86838136
Python实现xgboost模型的Demo
06-02
python实现xgboost模型，对数据进行分类预测和概率预测
C++调用Python Miniconda虚拟环境
08-30
本文将详细讲解如何在C++中调用安装在Miniconda虚拟环境中的Python函数，并讨论如何在应用程序打包时一并包含Python环境，以便于部署。 首先，让我们了解**Miniconda**。Miniconda是Anaconda公司提供的一个小型版本...
基于python与XGBoost实现二分类
07-11
本主题将探讨如何利用Python编程语言以及XGBoost这一高效、强大的梯度提升库来实现二分类模型。XGBoost是基于梯度提升决策树（Gradient Boosting Decision Trees, GBDT）算法的优化实现，其设计目标是提高计算速度和...
xgboost的训练与预测——离线训练使用python，在线预测使用C++
zh515858237的专栏
05-26 1058
选择xgboost的版本release_0.90的原因： 1.最新版本release_1.4.2不支持gcc4.8.5的编译，而线上和开发环境的gcc版本都是4.8.5 2.release_0.90这个版本是刚好支持gcc4.8.5的xgboost版本，release_1.0就要求gcc5.0以上了 3.release_0.90这个版本编译出来的lib库，包含了libxgboost.a和libxgboost.so，而最新版本release_1.4.2只支持libxgboost.so 4.release_0.
机器学习_XGBoost模型_用C++推理示例Demo
最新发布
惊鸿一博
04-11 688
将 python 训练好的 xgboost 模型, 使用C++ 进行加载并进行推理(预测)
XGBoost (5) C++ 命令行训练源码分析
isometric的博客
02-21 2002
回顾与本文目标 前一篇文章（第 4 篇）中，我们在命令行接口模式下运行 XGBoost 成功。在第 3 篇中，我们在 Python 接口下运行了 XGBoost，并且分析了其中的 PredictRaw 函数。但这里的代码读得有点乱。本文从头开始，一个一个函数解释代码是如何运行的。 起点 main() @ src/cli_main.cc int main(int argc, char *argv[...
python使用XGBoost回归模型训练数据
04-08
使用Python中的XGBoost库进行回归模型的训练可以通过以下步骤实现： 1. 导入所需的库和模块： ```python import xgboost as xgb from sklearn.metrics import mean_squared_error from sklearn.model_selection import train_test_split ``` 2. 准备数据集： 首先，将数据集分为特征和目标变量。然后，将数据集划分为训练集和测试集，以便评估模型的性能。 ```python # 假设特征存储在X中，目标变量存储在y中 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) ``` 3. 定义XGBoost回归模型并进行训练： ```python # 定义回归模型 model = xgb.XGBRegressor() # 训练模型 model.fit(X_train, y_train) ``` 4. 进行预测和评估： ```python # 进行预测 y_pred = model.predict(X_test) # 评估模型性能 mse = mean_squared_error(y_test, y_pred) ``` 以上是使用XGBoost库进行回归模型训练的基本步骤。你可以根据自己的需求进行参数调整和模型优化。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值