go-ml-benchmarks 使用指南

go-ml-benchmarks 是一个用于评估 Go 语言机器学习推理性能的基准测试工具库，它可以帮助开发者比较不同模型和框架在 Go 环境中的性能表现。

安装

go get github.com/sjwhitworth/go-ml-benchmarks

基本使用

1. 导入包

import (
    "github.com/sjwhitworth/go-ml-benchmarks/benchmark"
    "github.com/sjwhitworth/go-ml-benchmarks/datasets"
)

2. 加载数据集

// 加载鸢尾花数据集
irisData, err := datasets.LoadIris()
if err != nil {
    panic(err)
}

3. 创建基准测试

// 创建基准测试实例
bench := benchmark.NewBenchmark("MyBenchmark", irisData)

4. 添加要测试的模型

// 添加决策树模型
bench.AddModel("DecisionTree", func() (interface{}, error) {
    return benchmark.NewDecisionTree(), nil
})

// 添加随机森林模型
bench.AddModel("RandomForest", func() (interface{}, error) {
    return benchmark.NewRandomForest(10), nil // 10棵树
})

5. 运行基准测试

// 运行基准测试，10次迭代
results, err := bench.Run(10)
if err != nil {
    panic(err)
}

6. 输出结果

// 打印结果
for _, result := range results {
    fmt.Printf("Model: %s\n", result.Name)
    fmt.Printf("Accuracy: %.2f%%\n", result.Accuracy*100)
    fmt.Printf("Avg Time: %v\n", result.AvgTime)
    fmt.Printf("Memory Usage: %v\n", result.MemoryUsage)
    fmt.Println("---------------------")
}

完整示例

package main

import (
    "fmt"
    "github.com/sjwhitworth/go-ml-benchmarks/benchmark"
    "github.com/sjwhitworth/go-ml-benchmarks/datasets"
    "time"
)

func main() {
    // 1. 加载数据集
    irisData, err := datasets.LoadIris()
    if err != nil {
        panic(err)
    }

    // 2. 创建基准测试
    bench := benchmark.NewBenchmark("IrisBenchmark", irisData)
    
    // 3. 添加模型
    bench.AddModel("DecisionTree", func() (interface{}, error) {
        return benchmark.NewDecisionTree(), nil
    })
    
    bench.AddModel("RandomForest-10", func() (interface{}, error) {
        return benchmark.NewRandomForest(10), nil
    })
    
    bench.AddModel("RandomForest-50", func() (interface{}, error) {
        return benchmark.NewRandomForest(50), nil
    })
    
    bench.AddModel("KNN-3", func() (interface{}, error) {
        return benchmark.NewKNN(3), nil
    })

    // 4. 运行基准测试 (10次迭代)
    start := time.Now()
    results, err := bench.Run(10)
    if err != nil {
        panic(err)
    }
    fmt.Printf("Total benchmark time: %v\n", time.Since(start))

    // 5. 输出结果
    fmt.Println("\nBenchmark Results:")
    fmt.Println("=========================================")
    for _, result := range results {
        fmt.Printf("Model: %-15s\n", result.Name)
        fmt.Printf("  Accuracy: %.2f%%\n", result.Accuracy*100)
        fmt.Printf("  Avg Time: %v\n", result.AvgTime)
        fmt.Printf("  Memory: %v\n", result.MemoryUsage)
        fmt.Println("-----------------------------------------")
    }
}

高级功能

自定义评估指标

bench.SetEvaluator(func(actual, predicted []float64) benchmark.Metrics {
    // 实现自定义评估逻辑
    return benchmark.Metrics{
        Accuracy: calculateAccuracy(actual, predicted),
        F1Score:  calculateF1(actual, predicted),
    }
})

并行测试

// 设置并行度为4
bench.SetParallelism(4)

内存分析

// 启用内存分析
bench.EnableMemoryProfiling()

支持的模型

go-ml-benchmarks 支持多种常见机器学习模型的基准测试：

1. 决策树 (DecisionTree)
2. 随机森林 (RandomForest)
3. K近邻 (KNN)
4. 逻辑回归 (LogisticRegression)
5. 支持向量机 (SVM)
6. 朴素贝叶斯 (NaiveBayes)

注意事项

1. 基准测试结果会受硬件环境影响，建议在相同环境下进行比较
2. 对于大型数据集，测试可能需要较长时间
3. 可以通过调整迭代次数平衡测试精度和耗时
4. 结果中的时间指标包括模型训练和推理时间

通过使用 go-ml-benchmarks，开发者可以方便地评估不同机器学习算法在 Go 环境中的性能表现，为项目选型提供数据支持。