下载文档原格式
C中的机器学习框架和深度学习近年来，机器学习和深度学习技术迅速发展，已经在各个领域展现出强大的应用潜力。
然而，在C语言这门古老而经典的编程语言中，很多开发者也希望能够利用其底层的优势来实现机器学习和深度学习。
因此，在C语言中，一些机器学习框架和深度学习库应运而生，本文将介绍其中几个主要的框架。
一、LibSVMLibSVM是一个成熟且高效的C语言机器学习库，它主要用于支持向量机（Support Vector Machine）的建模和训练。
支持向量机是一种广泛应用于分类和回归问题的有监督学习算法，具有较强的泛化能力和鲁棒性。
LibSVM提供了多种核函数和参数配置，可以满足不同问题的需求。
并且，LibSVM还提供了Python、Java和Matlab等语言的接口，方便与其他语言进行交互。
二、TinyAITinyAI是一个轻量级的机器学习框架，专门设计用于嵌入式系统和边缘计算设备。
相比于其他框架，TinyAI具有较小的体积和低功耗的特点，非常适合资源受限的环境。
TinyAI提供了一系列优化的机器学习算法，如线性回归、逻辑回归和决策树等。
开发者可以使用TinyAI在C语言中快速实现一些简单的机器学习任务。
三、MidgardMidgard是一个C语言深度学习框架，致力于将深度学习引入到低功耗嵌入式系统中。
Midgard提供了基础的深度学习算法实现，如卷积神经网络和循环神经网络等。
此外，Midgard还支持自定义网络结构和优化算法，方便开发者根据自己的需求进行定制化。
虽然相对于其他深度学习框架而言，Midgard的功能相对较弱，但它在资源受限的环境下的性能表现非常出色。
四、EigenEigen是一个开源的C++模板库，提供了丰富的线性代数运算和矩阵计算功能。
虽然Eigen是使用C++编写的，但由于C++与C语言兼容，因此可以在C程序中使用Eigen进行矩阵计算和数值分析。
矩阵计算在机器学习和深度学习中起到至关重要的作用，Eigen的出现使得C语言开发者能够方便地进行各种数学计算，并结合其他机器学习库进行综合应用。
支持向量机（SVM）、支持向量机回归（SVR）：原理简述及其MATLAB实例一、基础知识1、关于拉格朗日乘子法和KKT条件1）关于拉格朗日乘子法2）关于KKT条件2、范数1）向量的范数2）矩阵的范数3）L0、L1与L2范数、核范数二、SVM概述1、简介2、SVM算法原理1）线性支持向量机2）非线性支持向量机二、SVR：SVM的改进、解决回归拟合问题三、多分类的SVM1. one-against-all2. one-against-one四、QP（二次规划）求解五、SVM的MATLAB实现：Libsvm1、Libsvm工具箱使用说明2、重要函数：3、示例支持向量机（SVM）：原理及其MATLAB实例一、基础知识1、关于拉格朗日乘子法和KKT条件1）关于拉格朗日乘子法首先来了解拉格朗日乘子法，为什么需要拉格朗日乘子法呢？记住，有需要拉格朗日乘子法的地方，必然是一个组合优化问题。
那么带约束的优化问题很好说，就比如说下面这个：这是一个带等式约束的优化问题，有目标值，有约束条件。
那么你可以想想，假设没有约束条件这个问题是怎么求解的呢？是不是直接 f 对各个 x 求导等于 0，解 x 就可以了，可以看到没有约束的话，求导为0，那么各个x均为0吧，这样f=0了，最小。
但是x都为0不满足约束条件呀，那么问题就来了。
有了约束不能直接求导，那么如果把约束去掉不就可以了吗？怎么去掉呢？这才需要拉格朗日方法。
既然是等式约束，那么我们把这个约束乘一个系数加到目标函数中去，这样就相当于既考虑了原目标函数，也考虑了约束条件。
现在这个优化目标函数就没有约束条件了吧，既然如此，求法就简单了，分别对x求导等于0，如下：把它在带到约束条件中去，可以看到，2个变量两个等式，可以求解，最终可以得到,这样再带回去求x就可以了。
那么一个带等式约束的优化问题就通过拉格朗日乘子法完美的解决了。
更高一层的，带有不等式的约束问题怎么办？那么就需要用更一般化的拉格朗日乘子法，即KKT条件，来解决这种问题了。
libsvm参数说明【原创实用版】目录1.LIBSVM 简介2.LIBSVM 参数说明3.LIBSVM 的使用方法4.LIBSVM 的应用场景5.总结正文1.LIBSVM 简介LIBSVM（Library for Support Vector Machines）是一个开源的支持向量机（SVM）算法库，它提供了一系列用于解决分类和回归问题的高效算法。
LIBSVM 由 Chenning Peng 和 Tsung-Yuan Lee 开发，是 SVM 领域最为知名和广泛使用的工具之一。
2.LIBSVM 参数说明LIBSVM 包含了许多参数，这些参数可以影响模型的性能。
以下是一些重要的 LIBSVM 参数及其说明：- "kernel": 指定核函数类型，如"linear"（线性核）、"rbf"（高斯径向基函数核）等。
- "C": 指定惩罚参数 C，用于控制模型对训练数据的拟合程度。
较小的 C 值会导致更宽松的边界，可能允许一些误分类，但可以提高模型的泛化能力。
较大的 C 值则会强制模型在训练集上尽量减少误差，可能导致过拟合。
- "degree": 指定多项式核函数的阶数。
- "gamma": 指定高斯核函数的参数，用于控制核函数的形状。
- "coef0": 指定拉格朗日乘子 alpha 的初始值。
- " CacheSize": 指定 LIBSVM 使用的内存缓存大小。
3.LIBSVM 的使用方法使用 LIBSVM 主要包括以下步骤：（1）数据预处理：将数据集分为特征矩阵 X 和目标向量 y。
（2）训练模型：调用 LIBSVM 的 train 函数，传入预处理后的数据和参数设置，训练 SVM 模型。
（3）预测：使用训练好的模型，调用 LIBSVM 的 predict 函数，对新的数据进行分类预测。
LIBSVM1 LIBSVM简介LIBSVM是台湾大学林智仁(Lin Chih-Jen)副教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，他不但提供了编译好的可在Windows 系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；该软件还有一个特点，就是对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数就可以解决很多问题；并且提供了交互检验(Cross -SVM回归等问题，包括基于一对一算法的多类模式识别问题。
SVM用于模式识别或回归时，SVM方法及其参数、核函数及其参数的选择，目前国际上还没有形成一个统一的模式，也就是说最优SVM算法参数选择还只能是凭借经验、实验对比、大范围的搜寻或者利用软件包提供的交互检验功能进行寻优。
ν-SVM回归和ε-SVM分类、νValidation)的功能。
该软件包可以在.tw/~cjlin/免费获得。
该软件可以解决C-SVM分类、-SVM回归等问题，包括基于一对一算法的多类模式识别问题。
SVM用于模式识别或回归时，SVM方法及其参数、核函数及其参数的选择，目前国际上还没有形成一个统一的模式，也就是说最优SVM算法参数选择还只能是凭借经验、实验对比、大范围的搜寻或者利用软件包提供的交互检验功能进行寻优。
2 LIBSVM使用方法LibSVM是以源代码和可执行文件两种方式给出的。
如果是Windows系列操作系统，可以直接使用软件包提供的程序，也可以进行修改编译；如果是Unix类系统，必须自己编译，软件包中提供了编译格式文件，我们在SGI工作站(操作系统IRIX6.5)上，使用免费编译器GNU C++3.3编译通过。
2.1 LIBSVM 使用的一般步骤：1) 按照LIBSVM软件包所要求的格式准备数据集；2) 对数据进行简单的缩放操作；3) 考虑选用RBF 核函数；4) 采用交叉验证选择最佳参数C与g；5) 采用最佳参数C与g 对整个训练集进行训练获取支持向量机模型；6) 利用获取的模型进行测试与预测。
libsvm参数说明摘要：一、libsvm 简介- 什么是libsvm- libsvm 的作用二、libsvm 参数说明- 参数分类- 参数详细说明- 核函数参数- 松弛参数- 惩罚参数- 迭代次数参数- 其他参数三、libsvm 参数调整- 参数调整的重要性- 参数调整的方法正文：【libsvm 简介】libsvm 是一款广泛应用于机器学习领域的开源软件，全称是“LIBSVM”，它提供了支持向量机（SVM）的完整实现，可以用于分类和回归等多种任务。
libsvm 不仅支持常见的数据集格式，还提供了丰富的API 接口，方便用户进行二次开发和应用。
libsvm 的主要作用是帮助用户解决高维数据分类和回归问题。
在面对高维数据时，传统的分类算法可能会遇到“维数灾难”，导致分类效果不佳。
而libsvm 通过使用核函数技术，将高维数据映射到低维空间，从而有效地解决了这个问题。
【libsvm 参数说明】libsvm 提供了丰富的参数供用户调整，以达到最佳分类效果。
这些参数主要分为以下几类：1.核函数参数：包括核函数类型（如线性核、多项式核、径向基函数核等）和核函数参数（如径向基函数核的核径宽）。
2.松弛参数：用于控制分类间隔的大小，对最终分类结果有一定影响。
3.惩罚参数：控制模型对误分类的惩罚力度，对分类效果有重要影响。
4.迭代次数参数：控制支持向量机算法的迭代次数，影响模型的收敛速度。
5.其他参数：如学习率、最小化目标函数的迭代次数等。
【libsvm 参数调整】参数调整是libsvm 使用过程中非常重要的一环，合适的参数设置可以使模型达到更好的分类效果。
参数调整的方法主要有以下几种：1.网格搜索法：通过遍历参数空间的各个点，找到最佳参数组合。
这种方法适用于参数空间较小的情况。
2.随机搜索法：在参数空间中随机选取一定数量的点进行遍历，找到最佳参数组合。
这种方法适用于参数空间较大，且网格搜索法效果不佳的情况。
3.贝叶斯优化法：利用贝叶斯理论，对参数进行加权调整，以提高搜索效率。
libsvm参数说明摘要：1.介绍libsvm2.libsvm 的参数说明3.使用libsvm 的注意事项4.结束语正文：1.介绍libsvmLIBSVM（Library for Support Vector Machines）是一个开源的支持向量机（SVM）算法库，它可以帮助我们解决分类和回归问题。
SVM 算法是一种非常强大的机器学习算法，它可以在各种领域中得到广泛的应用，例如人脸检测、车牌识别等。
2.libsvm 的参数说明在使用libsvm 时，我们需要了解它的一些参数，以便更好地利用这个工具。
以下是一些常见的libsvm 参数及其说明：- -s：表示是否进行核函数的平滑处理。
默认值为1，表示不进行平滑处理。
- -t：表示是否启用时间限制。
默认值为0，表示不限制运行时间。
- -n：表示SVM 的核函数类型。
默认值为3，表示使用径向基函数（rbf）。
- -c：表示SVM 的成本参数C。
默认值为1.0，表示使用线性核函数。
- -g：表示SVM 的梯度裁剪参数。
默认值为0.1，表示启用梯度裁剪。
- -b：表示是否在输出结果中包含预测样本的类别。
默认值为0，表示不输出。
3.使用libsvm 的注意事项在使用libsvm 时，我们需要注意以下几点：- 安装libsvm 时，需要添加环境变量，以便正确地调用该库。
- 在使用libsvm 前，需要对数据进行预处理，例如缩放、归一化等。
- 选择合适的核函数和参数C 是提高SVM 算法性能的关键。
- 在训练模型时，可以采用交叉验证等方法来避免过拟合。
4.结束语总之，libsvm 是一个功能强大的支持向量机库，它可以帮助我们解决各种分类和回归问题。
在使用libsvm 时，我们需要了解其参数的含义，并根据实际需求进行相应的设置。
支持向量机(SVM)原理及应用概述支持向量机（SVM ）原理及应用一、SVM 的产生与发展自1995年Vapnik(瓦普尼克)在统计学习理论的基础上提出SVM 作为模式识别的新方法之后，SVM 一直倍受关注。
同年，Vapnik 和Cortes 提出软间隔(soft margin)SVM ，通过引进松弛变量i ξ度量数据i x 的误分类(分类出现错误时i ξ大于0)，同时在目标函数中增加一个分量用来惩罚非零松弛变量(即代价函数)，SVM 的寻优过程即是大的分隔间距和小的误差补偿之间的平衡过程；1996年，Vapnik 等人又提出支持向量回归 (Support Vector Regression ，SVR)的方法用于解决拟合问题。
SVR 同SVM 的出发点都是寻找最优超平面(注：一维空间为点；二维空间为线；三维空间为面；高维空间为超平面。
)，但SVR 的目的不是找到两种数据的分割平面，而是找到能准确预测数据分布的平面，两者最终都转换为最优化问题的求解；1998年，Weston 等人根据SVM 原理提出了用于解决多类分类的SVM 方法(Multi-Class Support Vector Machines ，Multi-SVM)，通过将多类分类转化成二类分类，将SVM 应用于多分类问题的判断：此外，在SVM 算法的基本框架下，研究者针对不同的方面提出了很多相关的改进算法。
例如，Suykens 提出的最小二乘支持向量机 (Least Square Support Vector Machine ，LS —SVM)算法，Joachims 等人提出的SVM-1ight ，张学工提出的中心支持向量机 (Central Support Vector Machine ，CSVM)，Scholkoph 和Smola 基于二次规划提出的v-SVM 等。
此后，台湾大学林智仁(Lin Chih-Jen)教授等对SVM 的典型应用进行总结，并设计开发出较为完善的SVM 工具包，也就是LIBSVM(A Library for Support Vector Machines)。
第1 2章12.1 案例背景12.1.1 SVM概述支持向量机(Support Vector Machine，SVM)由Vapnik首先提出，像多层感知器网络和径向基函数网络一样，支持向量机可用于模式分类和非线性回归。
支持向量机的主要思想是建立一个分类超平面作为决策曲面，使得正例和反例之间的隔离边缘被最大化；支持向量机的理论基础是统计学习理论，更精确地说，支持向量机是结构风险最小化的近似实现。
这个原理基于这样的事实：学习机器在测试数据上的误差率（即泛化误差率）以训练误差率和一个依赖于VC维数(Vapnik - Chervonenkis dimension)的项的和为界，在可分模式情况下，支持向量机对于前一项的值为零，并且使第二项最小化。
因此，尽管它不利用问题的领域内部问题，但在模式分类问题上支持向量机能提供好的泛化性能，这个属性是支持向量机特有的。
支持向量机具有以下的优点：①通用性：能够在很广的各种函数集中构造函数；②鲁棒性：不需要微调；③有效性：在解决实际问题中总是属于最好的方法之一；④计算简单：方法的实现只需要利用简单的优化技术；⑤理论上完善：基于VC推广性理论的框架。
在“支持向量”x(i)和输入空间抽取的向量x之间的内积核这一概念是构造支持向量机学习算法的关键。
支持向量机是由算法从训练数据中抽取的小的子集构成。
支持向量机的体系结构如图12 -1所示。
图12-1 支持向量机的体系结构其中K为核函数，其种类主要有：线性核函数：K(x,x i)=x T x i;多项式核函数：K(x,x i)=(γx T x i+r)p,γ>0;径向基核函数：K(x,x i )=exp(-γ∥x −x i ∥2), γ>0;两层感知器核函数：K(x,x i )=tanh(γx T x i+r )。
1．二分类支持向量机C - SVC 模型是比较常见的二分类支持向量机模型，其具体形式如下：1)设已知训练集：T ={(x 1,y 1),…,(x i ,y i )}∈(X ×Y )ι其中，x i ∈X =R n ,y i ∈Y ={1,-1}( i =1,2,…,ι);x i 为特征向量。
1/flydreamGG/archive/2009/08.aspx/flydreamGG/archive/2009/08.aspxLibSVM学习（一）——初识LibSVM 收藏LibSVM是台湾林智仁(Chih-Jen Lin) 教授2001年开发的一套支持向量机的库，这套库运算速度还是挺快的，可以很方便的对数据做分类或回归。
由于libSVM程序小，运用灵活，输入参数少，并且是开源的，易于扩展，因此成为目前国内应用最多的SVM的库。
这套库可以从.tw/~cjlin/免费获得，目前已经发展到2.89版。
下载.zip格式的版本，解压后可以看到，主要有5个文件夹和一些c++源码文件。
Java ——主要是应用于java平台；Python ——是用来参数优选的工具，稍后介绍；svm-toy ——一个可视化的工具，用来展示训练数据和分类界面，里面是源码，其编译后的程序在windows文件夹下；tools ——主要包含四个python文件，用来数据集抽样(subset)，参数优选（grid），集成测试(easy), 数据检查(checkdata)；windows ——包含libSVM四个exe程序包，我们所用的库就是他们，里面还有个heart_scale，是一个样本文件，可以用记事本打开，用来测试用的。
其他.h和.cpp文件都是程序的源码，可以编译出相应的.exe文件。
其中，最重要的是svm.h和svm.cpp文件，svm-predict.c、svm-scale.c和svm-train.c（还有一个svm-toy.c在svm-toy文件夹中）都是调用的这个文件中的接口函数，编译后就是windows下相应的四个exe程序。
另外，里面的README 跟FAQ 也是很好的文件，对于初学者如果E文过得去，可以看一下。
下面以svm-train为例，简单的介绍下，怎么编译：（这步很简单，也没必要，对于仅仅使用libsvm库的人来说，windows下的4个exe包已经足够了，之所以加这步，是为了那些做深入研究的人，可以按照自己的思路改变一下svm.cpp，然后编译验证）我用的是VC 6.0，新建一个控制台（win32 console application）程序，程序名叫svm-train（这个可以随意），点击OK后，选择empty。
SVM-⽀持向量机总结⼀、SVM简介（⼀）Support Vector Machine1. ⽀持向量机（SVM：Support Vector Machine）是机器学习中常见的⼀种分类算法。
2. 线性分类器，也可以叫做感知机，其中机表⽰的是⼀种算法。
3. 在实际应⽤中，我们往往遇到这样的问题： 给定⼀些数据点，它们分别属于两个不同的类。
我们现在要找到⼀个线性分类器把这些数据分成AB两类。
最简单的办法当然是，画⼀条线，然后将它们分成两类。
线的⼀侧，属于A类，另⼀侧，则属于B类。
SVM算法可以让我们找到这样⼀个最佳的线（超平⾯），来划分数据。
相⽐于KNN之类的算法，SVM算法只需要计算⼀次，得出最佳线（超平⾯）即可。
⾯对测试数据，只需要判断数据点落在线的哪⼀侧，就可以知道该数据点所属分类了。
⽐起KNN每次都需要计算⼀遍邻居点的分类，SVM算法显得简单⽆⽐。
（⼆）Sklearn参数详解—SVM1 sklearn.svm.LinearSVC(penalty='l2', loss='squared_hinge', dual=True, tol=0.0001, C=1.0, multi_class='ovr', fit_intercept=True, intercept_scaling=1, class_weight=None, verbose=0, random_state=None, max_iter=1000)penalty:正则化参数，L1和L2两种参数可选，仅LinearSVC有。
loss:损失函数，有‘hinge’和‘squared_hinge’两种可选，前者⼜称L1损失，后者称为L2损失，默认是是’squared_hinge’，其中hinge是SVM的标准损失，squared_hinge是hinge的平⽅。
dual:是否转化为对偶问题求解，默认是True。
支持向量机（SVM ）原理及应用一、SVM 的产生与发展自1995年Vapnik(瓦普尼克)在统计学习理论的基础上提出SVM 作为模式识别的新方法之后，SVM 一直倍受关注。
同年，Vapnik 和Cortes 提出软间隔(soft margin)SVM ，通过引进松弛变量i ξ度量数据i x 的误分类(分类出现错误时i ξ大于0)，同时在目标函数中增加一个分量用来惩罚非零松弛变量(即代价函数)，SVM 的寻优过程即是大的分隔间距和小的误差补偿之间的平衡过程；1996年，Vapnik 等人又提出支持向量回归 (Support Vector Regression ，SVR)的方法用于解决拟合问题。
SVR 同SVM 的出发点都是寻找最优超平面(注：一维空间为点；二维空间为线；三维空间为面；高维空间为超平面。
)，但SVR 的目的不是找到两种数据的分割平面，而是找到能准确预测数据分布的平面，两者最终都转换为最优化问题的求解；1998年，Weston 等人根据SVM 原理提出了用于解决多类分类的SVM 方法(Multi-Class Support Vector Machines ，Multi-SVM)，通过将多类分类转化成二类分类，将SVM 应用于多分类问题的判断：此外，在SVM 算法的基本框架下，研究者针对不同的方面提出了很多相关的改进算法。
例如，Suykens 提出的最小二乘支持向量机 (Least Square Support Vector Machine ，LS —SVM)算法，Joachims 等人提出的SVM-1ight ，张学工提出的中心支持向量机 (Central Support Vector Machine ，CSVM)，Scholkoph 和Smola 基于二次规划提出的v-SVM 等。
此后，台湾大学林智仁(Lin Chih-Jen)教授等对SVM 的典型应用进行总结，并设计开发出较为完善的SVM 工具包，也就是LIBSVM(A Library for Support Vector Machines)。
libsvm参数说明摘要：一、libsvm 简介1.libsvm 的作用2.libsvm 的安装和使用二、libsvm 参数说明1.核函数选择2.C 参数调整3.罚参数选择4.迭代次数选择5.其他参数三、libsvm 参数调整策略1.交叉验证2.网格搜索3.启发式方法四、libsvm 在实际应用中的案例分析1.情感分析2.文本分类3.图像分类正文：一、libsvm 简介libsvm 是一款常用的支持向量机（SVM）开源实现库，它提供了C、Python、Java 等语言的接口，方便用户在不同平台上进行使用。
libsvm 具有较高的效率和准确性，被广泛应用于数据挖掘、机器学习、模式识别等领域。
1.libsvm 的作用libsvm 主要作用是实现支持向量机算法，它可以解决分类和回归问题，包括线性分类和非线性分类。
此外，libsvm 还提供了核函数，使得它可以处理高维数据和复杂数据的分类问题。
2.libsvm 的安装和使用libsvm 的安装过程比较简单，只需要按照官方文档的指导进行操作即可。
安装完成后，可以通过调用libsvm 提供的API 进行模型的训练和预测。
二、libsvm 参数说明libsvm 提供了丰富的参数供用户调整，以达到最佳的效果。
1.核函数选择核函数是libsvm 的重要组成部分，它决定了libsvm 如何处理输入数据。
libsvm 提供了多种核函数，如线性核、多项式核、径向基函数核等。
用户可以根据问题的特点选择合适的核函数。
2.C 参数调整C 参数是libsvm 中的一个重要参数，它控制了模型的软约束程度。
较小的C 值会使得模型更加灵活，可能导致过拟合；较大的C 值会使得模型更加严格，可能导致欠拟合。
因此，合理调整C 参数对于模型的性能至关重要。
3.罚参数选择罚参数是libsvm 中的另一个重要参数，它控制了模型对训练数据的惩罚程度。
较小的罚参数会导致模型对训练数据的拟合程度过高，可能会导致过拟合；较大的罚参数会使得模型对训练数据的拟合程度降低，可能会导致欠拟合。
LibSVM学习目录LibSVM学习 (1)初识LibSVM (1)第一次体验libSvm (3)LibSVM使用规范 (5)1. libSVM的数据格式 (5)2. svmscale的用法 (5)3. svmtrain的用法 (6)4. svmpredict 的用法 (7)逐步深入LibSVM (7)分界线的输出 (11)easy.py和grid.py的使用 (13)1. grid.py使用方法 (13)2. easy.py使用方法 (14)参考 (16)LibSVM学习初识LibSVMLibSVM是台湾林智仁(Chih-Jen Lin's) 教授2001年开发的一套支持向量机的库，这套库运算速度还是挺快的，可以很方便的对数据做分类或回归。
由于libSVM程序小，运用灵活，输入参数少，并且是开源的，易于扩展，因此成为目前国内应用最多的SVM的库。
这套库可以从林智仁的home page上免费获得，目前已经发展到3.0版。
下载.zip格式的版本，解压后可以看到，主要有5个文件夹和一些c++源码文件。
Java ——主要是应用于java平台的源码和libsvm.jar包；Python ——是用来参数优选的工具，稍后介绍；svm-toy ——一个可视化的工具，用来展示训练数据和分类界面，里面是源码，其编译后的程序在windows文件夹下；tools ——主要包含四个python文件，用来数据集抽样(subset.py)，参数优选（grid.py），集成测试(easy.py), 数据检查(checkdata.py)；windows ——包含libSVM四个exe程序包，我们所用的库和程序就是它们。
其他.h和.cpp文件都是程序的源码，可以编译出相应的.exe文件。
其中，最重要的是svm.h 和svm.cpp文件，svm-predict.c、svm-scale.c和svm-train.c（还有一个svm-toy.cpp在svm-toy\qt 文件夹中）都是调用的这个文件中的接口函数，编译后就是windows下相应的四个exe程序。
