【论文环境配置】Cut Pursuit: fast algorithms to learn piecewise constant functions on general weighted graph

坚果仙人

已于 2023-12-20 10:06:52 修改

阅读量334

点赞数

CC 4.0 BY-SA版权

分类专栏：编程技术环境部署文章标签： python 环境配置

于 2021-03-05 16:38:24 首次发布

本文链接：https://blog.youkuaiyun.com/i13270752870/article/details/114397295

这篇博客详细介绍了如何配置Cut Pursuit算法的环境，包括Python和Matlab版本。内容涉及安装依赖库、解决Python编译错误如GLIBCXX_3.4.21缺失，以及Ubuntu 20.04上的BoostConfig.cmake问题。博主还提醒注意库对特征维数的敏感性，并提出了一些待探索的问题，如边缘权重设定和多特征合并技巧。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

一、声明
二、配置
三、常见问题汇总（Python版本）
四、示例解析
- 注意点
- 有待探索的问题

一、声明

代码地址：https://github.com/loicland/cut-pursuit
本帖不定期更新！
暂设为vip文章，后续会解锁！

二、配置

2.1 安装依赖库

conda install -c anaconda boost
conda install -c omnia eigen3
conda install h5py
pip install matplotlib scikit-learn plyfile pandas

# 这两个可能不需要
conda install eigen
conda install -c r libiconv

2.2 编译代码 (python 版本)

$ git clone https://github.com/loicland/cut-pursuit.git
$ cd cut-pursuit
$ mkdir build
$ cd build
/* 有点长，因此排版成多行，根据自己的anaconda环境填写对应的目录 */
$ cmake .. -DPYTHON_LIBRARY=$CONDAENV/lib/libpython3.6m.so 
		 -DPYTHON_INCLUDE_DIR=$CONDAENV/include/python3.6m 
		 -DBOOST_INCLUDEDIR=$CONDAENV/include  
		 -DEIGEN3_