Документация

Настройте свой компилятор C

Чтобы сгенерировать код C/C++, у вас должен быть доступ к компилятору C/C++, который сконфигурирован правильно. MATLAB Coder определяет местоположение и использует поддерживаемый, установленный компилятор. Можно использовать mex -setup, чтобы просмотреть и изменить компилятор по умолчанию. Для получения дополнительной информации см. Компилятор Значения по умолчанию Изменения (MATLAB).

Предположения и ограничения

Сгенерировать код С, MATLAB Coder:

Относительно последнего ограничения полагайте что:

Чтобы работать вокруг ограничений генерации кода на классификацию, обучите модель классификации использование MATLAB, затем передайте получившийся объект модели saveCompactModel. saveCompactModel уменьшает объем потребляемой памяти модели (то есть, делает его компактным), при необходимости, и затем сохраняет обученную модель на диск как массив структур. Как компактная модель, массив структур содержит только информацию, используемую, чтобы классифицировать новые наблюдения.

После сохранения на диск модели загрузите модель в функции MATLAB при помощи loadCompactModel. loadCompactModel загружает сохраненный массив структур, и затем восстанавливает исходный объект компактной модели. В функции MATLAB, чтобы классифицировать наблюдения, можно передать модель и набор данных предиктора, который может быть входным параметром функции к predict.

Генерация кода для рабочего процесса классификации

Прежде, чем развернуть классификатор изображений на устройство:

Загрузка данных

Загрузите набор данных digitimages.

load digitimages

images является 28 28 3 000 массивов целых чисел uint16. Каждая страница является растровым изображением цифры. Каждый элемент является интенсивностью пикселей. Соответствующие метки находятся в 3000 1 числовом векторном Y. Для получения дополнительной информации введите Description в командной строке.

Сохраните количество наблюдений и количество переменных прогноза. Создайте раздел данных, который задает, чтобы протянуть 20% данных. Извлеките индексы набора обучающих данных и набора тестов от раздела данных.

rng(1) % For reproducibility
n = size(images,3);
p = numel(images(:,:,1));
cvp = cvpartition(n,'Holdout',0.20);
idxTrn = training(cvp);
idxTest = test(cvp);

Отобразите девять случайных изображений от данных.

figure
for j = 1:9
    subplot(3,3,j)
    selectImage = datasample(images,1,3);
    imshow(selectImage,[])
end

Повторно масштабируйте данные

Поскольку интенсивность необработанного пикселя значительно различается, необходимо нормировать их значения перед обучением модель классификации. Повторно масштабируйте интенсивности пикселей так, чтобы они расположились в интервале [0,1]. Таким образом, предположите $$p_{ij}$$ интенсивность пикселей $$j$$ в изображении $$i$$. Для изображения $$i$$, повторно масштабируйте все его интенсивности пикселей с помощью этой формулы:

X = double(images);
for i = 1:n
    minX = min(min(X(:,:,i)));
    maxX = max(max(X(:,:,i)));
    X(:,:,i) = (X(:,:,i) - minX)/(maxX - minX);
end

Также, если у вас есть лицензия Image Processing Toolbox™, затем можно эффективно повторно масштабировать интенсивности пикселей изображений к [0,1] при помощи mat2gray. Для получения дополнительной информации смотрите mat2gray.

Измените данные

Для генерации кода данные о предикторе для обучения должны быть в таблице числовых переменных или числовой матрицы.

Измените данные к матрице, таким образом, что переменные прогноза (интенсивности пикселей) соответствуют столбцам и изображениям (наблюдения) к строкам. Поскольку reshape берет элементы по столбцам, необходимо транспонировать его результат.

X = reshape(X,[p,n])';

Чтобы гарантировать, что предварительная обработка данных поддерживает изображение, постройте первое наблюдение в X.

figure
imshow(reshape(X(1,:),sqrt(p)*[1 1]),[],'InitialMagnification','fit')

Извлеките функции

Система Компьютерного зрения Toolbox™ предлагает несколько методов выделения признаков для изображений. Один такой метод является экстракцией гистограммы ориентированного градиента (ПОЖИРАТЕЛЬ РЕСУРСОВ) функции. Чтобы изучить, как обучить модель ECOC, использующую функции ПОЖИРАТЕЛЯ РЕСУРСОВ, смотрите, что Классификация Цифр использует Функции ПОЖИРАТЕЛЯ РЕСУРСОВ (Computer Vision Toolbox). Для получения дополнительной информации на других поддерживаемых методах, смотрите Локальное Выявление признаков и Экстракцию (Computer Vision Toolbox). Этот пример использует перемасштабированные интенсивности пикселей в качестве переменных прогноза.

Обучите и оптимизируйте модель классификации

Линейные модели SVM часто применяются к наборам данных изображения для классификации. Однако SVM являются бинарными классификаторами, и в наборе данных существует 10 возможных классов.

Можно создать модель мультикласса нескольких бинарные ученики SVM, использующие fitcecoc. fitcecoc комбинирует несколько бинарных учеников, использующих проект кодирования. По умолчанию fitcecoc применяется один по сравнению с одним проект, который задает учебных бинарных учеников на основе наблюдений от всех комбинаций пар классов. Например, в проблеме с 10 классами, fitcecoc должен обучить 45 бинарных моделей SVM.

В целом, когда вы обучаете модель классификации, необходимо настроить гиперпараметры, пока вы не достигаете удовлетворительной ошибки обобщения. Таким образом, необходимо перекрестный подтвердить модели для определенных наборов гиперпараметров, и затем сравнить misclassification уровни из сгиба.

Можно выбрать собственные наборы гиперзначений параметров, или можно задать, чтобы реализовать Байесовую оптимизацию. (Для общих деталей о Байесовой оптимизации смотрите Байесов Рабочий процесс Оптимизации.) Этот пример выполняет перекрестную проверку по выбранной сетке значений.

Чтобы перекрестный подтвердить модель ECOC бинарных учеников SVM на основе учебных наблюдений, используйте 5-кратную перекрестную проверку. Несмотря на то, что значения предиктора имеют ту же область значений, чтобы избежать числовых трудностей во время обучения, стандартизируйте предикторы. Кроме того, оптимизируйте ECOC, кодирующий проект и ограничение поля SVM. Используйте все комбинации этих значений:

Для всех моделей сохраните 5-кратные перекрестные подтвержденные misclassification уровни.

coding = {'onevsone' 'onevsall'};
boxconstraint = logspace(-1,2,3);
cvLoss = nan(numel(coding),numel(boxconstraint)); % For preallocation

for i = 1:numel(coding)
    for j = 1:numel(boxconstraint)
        t = templateSVM('BoxConstraint',boxconstraint(j),'Standardize',true);
        CVMdl = fitcecoc(X(idxTrn,:),Y(idxTrn),'Learners',t,'KFold',5,...
            'Coding',coding{i});
        cvLoss(i,j) = kfoldLoss(CVMdl);
        fprintf('cvLoss = %f for model using %s coding and box constraint=%f\n',...
            cvLoss(i,j),coding{i},boxconstraint(j))
    end
end

cvLoss = 0.052083 for model using onevsone coding and box constraint=0.100000
cvLoss = 0.055000 for model using onevsone coding and box constraint=3.162278
cvLoss = 0.050000 for model using onevsone coding and box constraint=100.000000
cvLoss = 0.116667 for model using onevsall coding and box constraint=0.100000
cvLoss = 0.123750 for model using onevsall coding and box constraint=3.162278
cvLoss = 0.125000 for model using onevsall coding and box constraint=100.000000

Определите индексы гиперпараметра, которые приводят к минимальному misclassification уровню. Обучите модель ECOC с помощью данных тренировки. Стандартизируйте данные тренировки и предоставьте наблюдаемую, оптимальную комбинацию гиперпараметра.

minCVLoss = min(cvLoss(:))

minCVLoss = 0.0500

linIdx = find(cvLoss == minCVLoss);
[bestI,bestJ] = ind2sub(size(cvLoss),linIdx);
bestCoding = coding{bestI}

bestCoding = 
'onevsone'

bestBoxConstraint = boxconstraint(bestJ)

bestBoxConstraint = 100

t = templateSVM('BoxConstraint',bestBoxConstraint,'Standardize',true);
Mdl = fitcecoc(X(idxTrn,:),Y(idxTrn),'Learners',t,'Coding',bestCoding);

Создайте матрицу беспорядка для изображений набора тестов.

testImages = X(idxTest,:);
testLabels = predict(Mdl,testImages);
confusionMatrix = confusionchart(Y(idxTest),testLabels);

Диагональные и недиагональные элементы соответствуют правильно и неправильно классифицированные наблюдения, соответственно. Mdl, кажется, правильно классифицирует большинство изображений.

Если вы удовлетворены производительностью Mdl, то можно продолжить генерировать код для прогноза. В противном случае можно продолжить настраивать гиперпараметры. Например, можно попробовать обучение ученики SVM, использующие различные функции ядра.

Сохраните модель классификации на диск

Mdl является прогнозирующей моделью классификации, но необходимо подготовить его к генерации кода. Сохраните Mdl в свою настоящую рабочую директорию с помощью saveCompactModel.

saveCompactModel(Mdl,'DigitImagesECOC')

saveCompactModel уплотняет Mdl, преобразовывает его в массив структур и сохраняет его в MAT-файле DigitImagesECOC.mat.

Задайте функцию прогноза для генерации кода

Задайте функцию с именем точки входа predictDigitECOC.m. это делает следующее:

type predictDigitECOC.m % Display contents of predictDigitECOC.m file

function label = predictDigitECOC(X) %#codegen
%PREDICTDIGITECOC Classify digit in image using ECOC Model 
%   PREDICTDIGITECOC classifies the 28-by-28 images in the rows of X using
%   the compact ECOC model in the file DigitImagesECOC.mat, and then
%   returns class labels in label.
CompactMdl = loadCompactModel('DigitImagesECOC.mat');
label = predict(CompactMdl,X); 
end

Примечание: Если вы нажимаете кнопку, расположенную в верхнем правом разделе этой страницы, и открываете этот пример в MATLAB®, затем MATLAB® открывает папку в качестве примера. Эта папка включает файл функции точки входа.

Проверьте, что функция прогноза возвращает те же метки набора тестов как predict.

pfLabels = predictDigitECOC(testImages);
verifyPF = isequal(pfLabels,testLabels)

verifyPF = logical
   1

isequal возвращает логическую единицу (true), что означает, что все входные параметры равны. predictDigitECOC приводит к ожидаемым результатам.

Решите который среда выполнить сгенерированный код

Сгенерированный код может запуститься:

Этот пример генерирует файл MEX, который будет запущен в среде MATLAB. Генерация такого файла MEX позволяет вам тестировать сгенерированный код с помощью средств MATLAB прежде, чем развернуть функцию вне среды MATLAB. В MEX-функции можно включать код для верификации, но не для генерации кода, путем объявления команд как внешнего использования coder.extrinsic. Внешние команды могут включать функции, которые не сделали, чтобы генерация кода поддержала. Все внешние команды в MEX-функции, запущенной в MATLAB, но codegen, не генерируют код для них.

Если вы планируете развернуть код вне среды MATLAB, то необходимо сгенерировать независимый исполняемый файл. Один способ задать ваш выбор компилятора при помощи опции -config codegen. Например, чтобы сгенерировать статический исполняемый файл C, задайте -config:exe, когда вы вызовете codegen. Для получения дополнительной информации при установке опций генерации кода, см. опцию -config codegen.

Скомпилируйте функцию MATLAB к файлу MEX

Скомпилируйте predictDigitECOC.m к файлу MEX с помощью codegen. Задайте эти опции:

codegen predictDigitECOC -report -args {testImages}

Code generation successful: View report

codegen успешно сгенерировал код для функции прогноза. Можно просмотреть отчет путем щелчка по ссылке в командной строке. Если генерация кода неудачна, то отчет может помочь вам отладить.

codegen создает директорию pwd/codegen/mex/predictDigitECOC, где pwd является вашей настоящей рабочей директорией. В дочернем каталоге codegen генерирует, среди прочего, файл MEX predictDigitECOC_mex.mexw64.

Проверьте, что файл MEX возвращает те же метки как predict.

mexLabels = predictDigitECOC_mex(testImages);
verifyMEX = isequal(mexLabels,testLabels)

verifyMEX = logical
   1

isequal возвращает логическую единицу (true), означая, что файл MEX приводит к ожидаемым результатам.