简介
mlpack是一个C++机器学习库，侧重于可扩展性、速度和易用性。它的目的是通过一个简单的、前后一致的API让新用户使用机器学习成为可能，同时利用C++语言特征为专家用户提供最好的性能和最大的灵活性。这些通过提供一系列命令行执行程序完成，就像使用一个黑箱，而且专家用户和研究者可以容易的更改一个模块化的C++ API的内部算法。
这种方法的结果就是mlpack的性能大幅度超过其他竞争的机器学习库；在the BigLearning workshop paper 和the benchmarks for details查看细节。
mlpack由全世界的贡献者开发。基于伯克利发行软件许可的第三个条款免费发行。（比1.0.12更老的版本基于GNU通用公共授权规定发行：LGPL，第3版。）
安装
mlpack存储在许多Linux的发行版本中，所以在你的系统中使用程序包管理器可能更容易一些。例如：在Ubuntu上，你可以使用下面的命令安装mlpack。
C++
1 |
$ sudo apt-get install libmlpack-dev |
如果mlpack不能在你的系统的程序包管理器中使用，那么你可以按照下面的步骤编译和安装mlpack源文件。
Mlpack使用CMake作为生成系统，允许几个灵活的生成配置选项。你可以查询大量的CMake教程得到更多的文件，但是这个教程应该足够让你在大多数Linux和类UNIX系统中（包括OS X）成功生成和安装mlpack。如果你想在Windows操作系统中生成mlpack，请看这里。
首先下载mlpack。
当mlpack的源文件完成解压，你可以创建一个生成目录。
C++
1 2 |
$ cd mlpack-2.2.5 $ mkdir build |
这个目录可以是任何名字，不仅仅是“build”，但是“build”足够了。
mlpack依赖项
mlpack依赖下面的库，它们需要被安装在系统中并有一些头文件出现。
Armadillo >=4.200.0（支持LAPACK（线性代数程序包）)
Boost（math_c99, program_options, serialization, unit_test_framework, heap, spirit）>=1.49
在Ununtu和Debian中，你可以通过apt获得所有这些依赖项：
C++
1 2 |
# apt-get install libboost-math-dev libboost-program-options-dev libboost-test-dev libboost-serialization-dev libarmadillo-dev binutils-dev |
在Fedora、Red Hat或CentOS上，这些相同的依赖项可以通过dnf获得：
C++
1 2 |
# dnf install boost-devel boost-test boost-program-options boost-math armadillo-devel binutils-devel |
配置CMake
运行CMake相当于使用autotools运行./configure。
如果你工作中使用mlpack的svn trunk版本，且不带任何选项运行CMake，它将配置这个生成项目带有调试符号和分析信息：如果你工作中使用发行版本的mlpack，不带任何选项运行CMake，它将配置这个生成项目不带调试符号和分析信息（为了速度）。
C++
1 2 |
$ cd build $ cmake ../ |
你可以手动指定选项去编译或不编译调试信息和分析信息（也就是说尽可能快）：
C++
1 2 |
$ cd build $ cmake -D DEBUG=OFF -D PROFILE=OFF ../ |
Mlpack允许的全部选项为：
DEBUG=(ON/OFF): compile with debugging symbols (default ON in svn trunk, OFF in releases)
PROFILE=(ON/OFF): compile with profiling symbols (default ON in svn trunk, OFF in releases)
ARMA_EXTRA_DEBUG=(ON/OFF): compile with extra Armadillo debugging symbols (default OFF)
BUILD_TESTS=(ON/OFF): compile the mlpack_test program (default ON)
BUILD_CLI_EXECUTABLES=(ON/OFF): compile the mlpack command-line executables (i.e. mlpack_knn, mlpack_kfn, mlpack_logistic_regression, etc.) (default ON)
TEST_VERBOSE=(ON/OFF): run test cases in mlpack_test with verbose output (default OFF)
每个选项都可以被指定给带有‘-D’标记的CMake。其他工具也可以用于配置CMake，但是它们没有被记录在这里。
生成mlpack
一旦CMake配置好，生成库就像打出‘make’一样简单。这将生成所有库组件和‘mlpack_test’。
C++
1 2 3 4 5 |
$ make Scanning dependencies of target mlpack [ 1%] Building CXX object src/mlpack/CMakeFiles/mlpack.dir/core/optimizers/aug_lagrangian/aug_lagrangian_test_functions.cpp.o <...> |
如果你不想生成每一个库，可以指定你想生成的单个组件。
C++
1 |
$ make mlpack_pca mlpack_knn mlpack_kfn |
一个有趣的特殊组件是mlpack_test，它是运行mlpack的测试组件。你可以使用这个命令生成这个组件：
C++
1 |
$ make mlpack_test |
然后运行所有的测试组件或单个的测试组件：
C++
1 2 |
$ bin/mlpack_test $ bin/mlpack_test -t KNNTest |
如果生成失败，而你不能找到为什么失败，在Github上注册一个账户，提交这个问题，mlpack的开发人员将会尽快帮你解决，
或者在irc.freenode.netm上的mlpack的IRC中也可以找到mlpack的帮助。