Lib.rs

一句话总结

您已使用libSVM训练了SVM，现在您希望在（实时）分类期间获得最高性能，如游戏或VR。

亮点

• 加载几乎所有libSVM类型（C-SVC、ν-SVC、ε-SVR、ν-SVR）和核（线性、多项式、RBF和sigmoid）
• 生成的分类结果与libSVM几乎相同
• 针对SIMD优化，并且可以与Rayon无缝混合
• 完全用Rust编写
• 在分类过程中对密集SVM无分配
• 比libSVM密集SVM快2.5倍到14倍
• 小型模型（例如，128个SV，16个密集属性，线性~500ns）的分类时间极低
• 在Unity和VR项目中成功使用（Windows & Android）

注意：目前需要Rust nightly（2019年3月及以后），因为我们依赖于RFC 2366（可移植SIMD）。一旦该RFC稳定，我们也将进入稳定状态。

用法

使用libSVM（例如，使用工具svm-train）进行训练，然后使用ffsvm-rust进行分类。

Rust中使用

// Replace `SAMPLE_MODEL` with a `&str` to your model.
let svm = DenseSVM::try_from(SAMPLE_MODEL)?;

let mut problem = Problem::from(&svm);
let features = problem.features();

features[0] = 0.55838;
features[1] = -0.157895;
features[2] = 0.581292;
features[3] = -0.221184;

svm.predict_value(&mut problem)?;

assert_eq!(problem.solution(), Solution::Label(42));

状态

• 2023年3月10日：为最新的Rust nightly重新激活。
• 2019年6月7日：放弃使用'no unsafe'，但获得了运行时SIMD选择。
• 2019年3月10日：一旦我们可以从nightly版本中移除，我们将进入beta版本。
• 2018年8月5日：仍然处于alpha版本，但最终在crates.io上。
• 2018年5月27日：我们现在处于alpha版本。在Windows、Mac、Android和Linux上的各种机器和设备上成功内部使用。一旦SIMD稳定并且我们可以交叉编译到WASM，我们将移至beta版本。
• 2017年12月16日：我们现在处于预alpha版本。它可能甚至无法在您的机器上运行。

性能

所有关于 DenseSVM 的性能数据均已在此报告。我们同样支持 SparseSVM，对于“主要密集”的模型来说运行较慢，而对于“主要稀疏”的模型来说运行更快（通常与libSVM的性能水平相当）。

详细信息请参见此处。

提示

• 为了实现 x 倍的性能提升，创建多个 Problem 结构，并使用 Rayon的 par_iter 进行处理。

常见问题解答

详细信息请参见此处。