在机器学习中，lambda 表达式和闭包用于数据预处理、特征工程、模型构建和闭包。具体应用包括：数据规范化等数据预处理操作。创建新特征或转换现有特征。向模型添加自定义的损失函数、激活函数等组件。利用闭包访问外部变量，用于计算特定特征的平均值等目的。
C++ Lambda 表达式与闭包在机器学习中的应用
在机器学习中，lambda 表达式和闭包在以下方面发挥着至关重要的作用：
1. 数据预处理
立即学习“C++免费学习笔记（深入）”；
通过使用 lambda，您可以轻松地将数据转换、清理和归一化的操作封装成简洁的代码块。例如，以下 lambda 对数据集中的每一行进行规范化：
auto normalize = [](const std::vector<double>& row) {
double sum = 0;
for (auto& value : row) {
sum += value * value;
}
double norm = sqrt(sum);
std::transform(row.begin(), row.end(), row.begin(), [norm](double value) {
return value / norm;
});
return row;
};2. 特征工程
lambda 可用于创建新的特征或转换现有的特征。例如，以下 lambda 计算每个数据的某个特定列上的滑动平均值：
auto moving_average = [](const std::vector<double>& data, int window) {
std::vector<double> avg;
for (int i = 0; i < data.size() - window + 1; ++i) {
avg.push_back(std::accumulate(data.begin() + i, data.begin() + i + window, 0) / window);
}
return avg;
};3. 模型构建
lambda 可用于向模型添加自定义的损失函数、激活函数或其他组件。例如，以下 lambda 定义了一个用于二分类任务的自定义 sigmoid 损失函数：
auto sigmoid_loss = [](const std::vector<double>& true_values, const std::vector<double>& predicted_values) {
std::vector<double> losses;
for (int i = 0; i < true_values.size(); ++i) {
double p = 1.0 / (1.0 + std::exp(-predicted_values[i]));
losses.push_back(- true_values[i] * std::log(p) - (1 - true_values[i]) * std::log(1 - p));
}
return std::accumulate(losses.begin(), losses.end(), 0);
};4. 闭包
闭包允许 lambda 表达式访问其创建时的外部变量。这在需要访问训练数据或其他状态时特别有用。例如，以下闭包使用 lambda 表达式计算特定特征的平均值：
auto avg_feature = [](const std::vector<double>& column) {
return std::accumulate(column.begin(), column.end(), 0) / column.size();
};
std::vector<double> features = ...;
std::vector<double> avg_values(features.size());
std::transform(features.begin(), features.end(), avg_values.begin(), avg_feature);实战案例：手写数字识别
考虑使用 MNIST 数据集训练一个简单的手写数字识别器。以下代码展示了如何利用 lambda 和闭包进行数据预处理、特征工程和模型训练：
#include <vector>
#include <numeric>
#include <functional>
#include <cmath>
#include <iostream>
using namespace std;
typedef vector<vector<double> > Matrix;
// 数据规范化
auto normalize = [](const vector<double>& row) -> vector<double> {
double sum = 0;
for (auto& value : row) {
sum += value * value;
}
double norm = sqrt(sum);
transform(row.begin(), row.end(), row.begin(), [norm](double value) {
return value / norm;
});
return row;
};
// 获取特征
auto get_features = [](const Matrix& data, const vector<int>& labels) -> Matrix {
Matrix features(data.size(), 784);
for (int i = 0; i < data.size(); ++i) {
features[i] = normalize(data[i]);
}
return features;
};
// 定义 sigmoid 损失
auto sigmoid_loss = [](const vector<double>& true_values, const vector<double>& predicted_values) -> double {
vector<double> losses;
for (int i = 0; i < true_values.size(); ++i) {
double p = 1.0 / (1.0 + exp(-predicted_values[i]));
losses.push_back(- true_values[i] * log(p) - (1 - true_values[i]) * log(1 - p));
}
return accumulate(losses.begin(), losses.end(), 0);
};
int main() {
// 加载 MNIST 数据
Matrix data = ...;
vector<int> labels = ...;
// 数据预处理
Matrix features = get_features(data, labels);
// 模型训练
// ...
} 
