learnerCoderConfigurer

Создайте кодер configurer модели машинного обучения

Описание

После обучения модель машинного обучения создайте кодер configurer для модели при помощи learnerCoderConfigurer. Используйте объектные функции и свойства configurer задать опции генерации кода и сгенерировать код C/C++ для predict и update функции модели машинного обучения. Генерация кода C/C++ требует MATLAB® Coder™.

Эта блок-схема показывает рабочий процесс генерации кода с помощью кодера configurer. Используйте learnerCoderConfigurer для подсвеченного шага.

пример

configurer = learnerCoderConfigurer(Mdl,X) возвращает кодер configurer configurer для модели Mdl машинного обучения. Задайте данные о предикторе X для predict функция Mdl.

пример

configurer = learnerCoderConfigurer(Mdl,X,Name,Value) возвращает кодер configurer с дополнительными опциями, заданными одним или несколькими аргументами пары "имя-значение". Например, можно задать количество выходных аргументов в predict функция, имя файла сгенерированного кода C/C++ и уровень многословия кодера configurer.

Примеры

свернуть все

Обучите модель машинного обучения, и затем сгенерируйте код для predict и update функции модели при помощи кодера configurer.

Загрузите carsmall набор данных и обучает модель регрессии машины опорных векторов (SVM).

load carsmall
X = [Horsepower,Weight];
Y = MPG;
Mdl = fitrsvm(X,Y);

Mdl RegressionSVM объект.

Создайте кодер configurer для RegressionSVM модель при помощи learnerCoderConfigurer. Задайте данные о предикторе X. learnerCoderConfigurer функционируйте использует вход X сконфигурировать атрибуты кодера predict входной параметр функции.

configurer = learnerCoderConfigurer(Mdl,X)
configurer = 
  RegressionSVMCoderConfigurer with properties:

   Update Inputs:
             Alpha: [1x1 LearnerCoderInput]
    SupportVectors: [1x1 LearnerCoderInput]
             Scale: [1x1 LearnerCoderInput]
              Bias: [1x1 LearnerCoderInput]

   Predict Inputs:
                 X: [1x1 LearnerCoderInput]

   Code Generation Parameters:
        NumOutputs: 1
    OutputFileName: 'RegressionSVMModel'


  Properties, Methods

configurer RegressionSVMCoderConfigurer объект, который является кодером configurer RegressionSVM объект.

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 просмотреть и изменить компилятор по умолчанию. Для получения дополнительной информации см. Компилятор Значения по умолчанию Изменения (MATLAB).

Сгенерируйте код для predict и update функции модели регрессии SVM (Mdl) с настройками по умолчанию.

generateCode(configurer)
generateCode creates these files in output folder:
'initialize.m', 'predict.m', 'update.m', 'RegressionSVMModel.mat'

generateCode функция завершает эти действия:

  • Сгенерируйте файлы MATLAB, требуемые сгенерировать код, включая две функции точки входа predict.m и update.m для predict и update функции Mdl, соответственно.

  • Создайте MEX-функцию под названием RegressionSVMModel для двух функций точки входа.

  • Создайте код для MEX-функции в codegen\mex\RegressionSVMModel папка.

  • Скопируйте MEX-функцию в текущую папку.

Отобразите содержимое predict.m, update.m, и initialize.m файлы при помощи type функция.

type predict.m
function varargout = predict(X,varargin) %#codegen
% Autogenerated by MATLAB, 23-Dec-2019 16:15:41
[varargout{1:nargout}] = initialize('predict',X,varargin{:});
end
type update.m
function update(varargin) %#codegen
% Autogenerated by MATLAB, 23-Dec-2019 16:15:41
initialize('update',varargin{:});
end
type initialize.m
function [varargout] = initialize(command,varargin) %#codegen
% Autogenerated by MATLAB, 23-Dec-2019 16:15:41
coder.inline('always')
persistent model
if isempty(model)
    model = loadLearnerForCoder('RegressionSVMModel.mat');
end
switch(command)
    case 'update'
        % Update struct fields: Alpha
        %                       SupportVectors
        %                       Scale
        %                       Bias
        model = update(model,varargin{:});
    case 'predict'
        % Predict Inputs: X
        X = varargin{1};
        if nargin == 2
            [varargout{1:nargout}] = predict(model,X);
        else
            PVPairs = cell(1,nargin-2);
            for i = 1:nargin-2
                PVPairs{1,i} = varargin{i+1};
            end
            [varargout{1:nargout}] = predict(model,X,PVPairs{:});
        end
end
end

Обучите модель SVM с помощью частичного набора данных и создайте кодер configurer для модели. Используйте свойства кодера configurer, чтобы задать атрибуты кодера параметров модели SVM. Используйте объектную функцию кодера configurer, чтобы сгенерировать код С, который предсказывает метки для новых данных о предикторе. Затем переобучите модель с помощью целого набора данных и параметров обновления в сгенерированном коде, не регенерируя код.

Обучите модель

Загрузите ionosphere набор данных. Этот набор данных имеет 34 предиктора, и 351 бинарный ответ для радара возвращается, любой плохо ('b') или хороший ('g'). Обучите бинарную модель классификации SVM использование первых 50 наблюдений.

load ionosphere
Mdl = fitcsvm(X(1:50,:),Y(1:50));

Mdl ClassificationSVM объект.

Создайте кодер Конфигурера

Создайте кодер configurer для ClassificationSVM модель при помощи learnerCoderConfigurer. Задайте данные о предикторе X. learnerCoderConfigurer функционируйте использует вход X сконфигурировать атрибуты кодера predict входной параметр функции. Кроме того, определите номер выходных параметров к 2 так, чтобы сгенерированный код возвратил предсказанные метки и баллы.

configurer = learnerCoderConfigurer(Mdl,X(1:50,:),'NumOutputs',2);

configurer ClassificationSVMCoderConfigurer объект, который является кодером configurer ClassificationSVM объект.

Задайте атрибуты кодера параметров

Задайте атрибуты кодера параметров модели классификации SVM так, чтобы можно было обновить параметры в сгенерированном коде после переквалификации модели. Этот пример задает атрибуты кодера данных о предикторе, которые вы хотите передать сгенерированному коду и атрибутам кодера векторов поддержки модели SVM.

Во-первых, задайте атрибуты кодера X так, чтобы сгенерированный код принял любое количество наблюдений. Измените SizeVector и VariableDimensions атрибуты. SizeVector атрибут задает верхнюю границу размера данных предиктора и VariableDimensions атрибут задает, имеет ли каждая размерность данных о предикторе переменный размер или фиксированный размер.

configurer.X.SizeVector = [Inf 34];
configurer.X.VariableDimensions = [true false];

Размер первой размерности является количеством наблюдений. В этом случае код указывает, что верхней границей размера является Inf и размер является переменным, означая тот X может иметь любое количество наблюдений. Эта спецификация удобна, если вы не знаете количество наблюдений при генерации кода.

Размер второго измерения является количеством переменных предикторов. Это значение должно быть зафиксировано для модели машинного обучения. X содержит 34 предиктора, таким образом, значение SizeVector атрибут должен быть 34 и значение VariableDimensions атрибутом должен быть false.

Если вы переобучаете модель SVM с помощью новых данных или различных настроек, количество векторов поддержки может варьироваться. Поэтому задайте атрибуты кодера SupportVectors так, чтобы можно было обновить векторы поддержки в сгенерированном коде.

configurer.SupportVectors.SizeVector = [250 34];
SizeVector attribute for Alpha has been modified to satisfy configuration constraints.
SizeVector attribute for SupportVectorLabels has been modified to satisfy configuration constraints.
configurer.SupportVectors.VariableDimensions = [true false];
VariableDimensions attribute for Alpha has been modified to satisfy configuration constraints.
VariableDimensions attribute for SupportVectorLabels has been modified to satisfy configuration constraints.

Если вы изменяете атрибуты кодера SupportVectors, затем программное обеспечение изменяет атрибуты кодера Alpha и SupportVectorLabels удовлетворить ограничениям настройки. Если модификация атрибутов кодера одного параметра требует, чтобы последующие изменения к другим зависимым параметрам удовлетворили ограничениям настройки, то программное обеспечение изменяет атрибуты кодера зависимых параметров.

Сгенерируйте код

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 просмотреть и изменить компилятор по умолчанию. Для получения дополнительной информации см. Компилятор Значения по умолчанию Изменения (MATLAB).

Используйте generateCode сгенерировать код для predict и update функции модели классификации SVM (Mdl) с настройками по умолчанию.

generateCode(configurer)
generateCode creates these files in output folder:
'initialize.m', 'predict.m', 'update.m', 'ClassificationSVMModel.mat'

generateCode генерирует файлы MATLAB, требуемые сгенерировать код, включая две функции точки входа predict.m и update.m для predict и update функции Mdl, соответственно. Затем generateCode создает MEX-функцию под названием ClassificationSVMModel для двух функций точки входа в codegen\mex\ClassificationSVMModel папка и копии MEX-функция к текущей папке.

Проверьте сгенерированный код

Передайте некоторые данные о предикторе, чтобы проверить ли predict функция Mdl и predict функция в MEX-функции возвращает те же метки. Чтобы вызвать функцию точки входа в MEX-функции, которая имеет больше чем одну точку входа, задайте имя функции как первый входной параметр.

[label,score] = predict(Mdl,X);
[label_mex,score_mex] = ClassificationSVMModel('predict',X);

Сравните label и label_mex при помощи isequal.

isequal(label,label_mex)
ans = logical
   1

isequal возвращает логическую единицу (true) если все входные параметры равны. Сравнение подтверждает что predict функция Mdl и predict функция в MEX-функции возвращает те же метки.

score_mex может включать различия в округлении по сравнению с score. В этом случае сравните score_mex и score, разрешение маленького допуска.

find(abs(score-score_mex) > 1e-8)
ans =

  0x1 empty double column vector

Сравнение подтверждает тот score и score_mex равны в допуске 1e–8.

Переобучите параметры модели и обновления в сгенерированном коде

Переобучите модель с помощью целого набора данных.

retrainedMdl = fitcsvm(X,Y);

Извлеките параметры, чтобы обновиться при помощи validatedUpdateInputs. Эта функция обнаруживает модифицированные параметры модели в retrainedMdl и подтверждает, удовлетворяют ли модифицированные значения параметров атрибутам кодера параметров.

params = validatedUpdateInputs(configurer,retrainedMdl);

Обновите параметры в сгенерированном коде.

ClassificationSVMModel('update',params)

Проверьте сгенерированный код

Сравните выходные параметры от predict функция retrainedMdl и predict функция в обновленной MEX-функции.

[label,score] = predict(retrainedMdl,X);
[label_mex,score_mex] = ClassificationSVMModel('predict',X);
isequal(label,label_mex)
ans = logical
   1

find(abs(score-score_mex) > 1e-8)
ans =

  0x1 empty double column vector

Сравнение подтверждает тот labels и labels_mex равны, и значения счета равны в допуске.

Входные параметры

свернуть все

Модель машинного обучения, заданная как объект полной или компактной модели, как дали в этой таблице поддерживаемых моделей.

МодельПолная Объектная / Объектная Компактная модельУчебная функция
Дерево выбора из двух альтернатив для классификации мультиклассовClassificationTree, CompactClassificationTreefitctree
SVM для и бинарной классификации одного классаClassificationSVM, CompactClassificationSVMfitcsvm
Линейная модель для бинарной классификацииClassificationLinearfitclinear
Модель Multiclass для SVMs и линейные моделиClassificationECOC, CompactClassificationECOCfitcecoc
Дерево выбора из двух альтернатив для регрессииRegressionTree, CompactRegressionTreefitrtree
Регрессия машины опорных векторов (SVM)RegressionSVM, CompactRegressionSVMfitrsvm
Линейная регрессияRegressionLinearfitrlinear

Для указаний и ограничений по применению генерации кода модели машинного обучения смотрите раздел Code Generation страницы объекта модели.

Данные о предикторе для predict функция Mdl, заданный, когда n-by-p числовая матрица, где n является количеством наблюдений и p, является количеством переменных предикторов. Вместо этого задавать X как p-by-n матрица, где наблюдения соответствуют столбцам, необходимо установить 'ObservationsIn' аргумент пары "имя-значение" 'columns'. Эта опция доступна только для линейных моделей и моделей ECOC с линейными бинарными учениками.

predict функция модели машинного обучения предсказывает метки для классификации и ответы для регрессии для данных данных о предикторе. После создания кодера configurer configurer, можно использовать generateCode функция, чтобы сгенерировать код C/C++ для predict функция Mdl. Сгенерированный код принимает данные о предикторе, которые имеют тот же размер и тип данных X. Можно задать, имеет ли каждая размерность переменный размер или фиксированный размер после создания configurer.

Например, если вы хотите сгенерировать код C/C++, который предсказывает, что метки с помощью 100 наблюдений с тремя переменными предикторами, затем задают X как zeros(100,3). learnerCoderConfigurer функционируйте использует только размер и тип данных X, не его значения. Поэтому X могут быть данные о предикторе или выражение MATLAB, которое представляет множество значений с определенным типом данных. Выход configurer хранит размер и тип данных X в X свойство configurer. Можно изменить размер и тип данных X после создания configurer. Например, измените количество наблюдений к 200 и типа данных к single.

configurer.X.SizeVector = [200 3];
configurer.X.DataType = 'single';

Чтобы позволить сгенерированному коду C/C++ принимать данные о предикторе максимум с 100 наблюдениями, задайте X как zeros(100,3) и измените VariableDimensions свойство.

configurer.X.VariableDimensions = [1 0];
[1 0] указывает что первая размерность X (количество наблюдений), имеет переменный размер и второе измерение X (количество переменных предикторов), имеет фиксированный размер. Конкретное количество наблюдений, 100 в этом примере, становится максимальным позволенным количеством наблюдений в сгенерированном коде C/C++. Чтобы позволить любое количество наблюдений, задайте связанное как Inf.
configurer.X.SizeVector = [Inf 3];

Типы данных: single | double

Аргументы в виде пар имя-значение

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: configurer = learnerCoderConfigurer(Mdl,X,'NumOutputs',2,'OutputFileName','myModel') определяет номер выходных параметров в predict к 2 и задает имя файла 'myModel' для сгенерированного кода C/C++.

Количество выходных аргументов в predict функция модели Mdl машинного обучения, заданный как разделенная запятой пара, состоящая из 'NumOutputs' и положительный целочисленный n.

Эта таблица приводит выходные параметры для predict функция различных моделей. predict на сгенерированном C/C++ код возвращает первый n выходные параметры predict функция в распоряжении, данном в Выходном столбце.

Модельpredict Функция моделиВыходные параметры
Дерево выбора из двух альтернатив для классификации мультиклассовpredictlabel (предсказанные метки класса), score (апостериорные вероятности), node (числа узла для предсказанных классов), cnum (классификационные индексы предсказанных меток)
SVM для и бинарной классификации одного классаpredictlabel (предсказанные метки класса), score (баллы или апостериорные вероятности)
Линейная модель для бинарной классификацииpredictLabel (предсказанные метки класса), Score (баллы классификации)
Модель Multiclass для SVMs и линейные моделиpredictlabel (предсказанные метки класса), NegLoss (отрицаемые средние бинарные потери), PBScore (баллы положительного класса)
Дерево выбора из двух альтернатив для регрессииpredictYfit (предсказанные ответы), node (числа узла для прогнозов)
Регрессия SVMpredictyfit (предсказанные ответы)
Линейная регрессияpredictYHat (предсказанные ответы)

Например, если вы задаете 'NumOutputs',1 для модели классификации SVM, затем predict возвращает предсказанные метки класса в сгенерированном коде C/C++.

После создания кодера configurer configurer, можно изменить количество выходных параметров при помощи записи через точку.

configurer.NumOutputs = 2;

'NumOutputs' аргумент пары "имя-значение" эквивалентен '-nargout' параметр компилятора codegen. Эта опция задает количество выходных аргументов в функции точки входа генерации кода. Объектный функциональный generateCode из кодера configurer генерирует две функции точки входа — predict.m и update.m для predict и update функции Mdl, соответственно — и генерирует код C/C++ для двух функций точки входа. Заданное значение для 'NumOutputs' соответствует количеству выходных аргументов в predict.m.

Пример: 'NumOutputs',2

Типы данных: single | double

Имя файла сгенерированного кода C/C++, заданного как разделенная запятой пара, состоящая из 'OutputFileName' и вектор символов или скаляр строки.

Объектный функциональный generateCode из кодера configurer генерирует код C/C++ с помощью этого имени файла.

Имя файла не должно содержать пробелы, потому что они могут привести к отказам генерации кода в определенных настройках операционной системы. Кроме того, имя должно быть допустимым именем функции MATLAB.

Имя файла по умолчанию является именем объекта Mdl сопровождаемый 'Model'. Например, если Mdl CompactClassificationSVM или ClassificationSVM объект, затем именем по умолчанию является 'ClassificationSVMModel'.

После создания кодера configurer configurer, можно изменить имя файла при помощи записи через точку.

configurer.OutputFileName = 'myModel';

Пример: 'OutputFileName','myModel'

Типы данных: char | string

Уровень многословия, заданный как разделенная запятой пара, состоящая из 'Verbose' и любой true (логическая единица) или false (логический ноль). Контроль уровня многословия отображение уведомлений в командной строке для кодера configurer configurer.

ЗначениеОписание
true (логическая единица)Программное обеспечение отображает уведомления, когда ваши изменения в атрибутах кодера параметра приводят к изменениям для других зависимых параметров.
false (логический ноль)Программное обеспечение не отображает уведомления.

Чтобы позволить обновить параметры модели машинного обучения в сгенерированном коде, необходимо сконфигурировать атрибуты кодера параметров прежде, чем сгенерировать код. Атрибуты кодера параметров зависят друг от друга, таким образом, программное обеспечение хранит зависимости как ограничения настройки. Если вы изменяете атрибуты кодера параметра при помощи кодера configurer, и модификация требует, чтобы последующие изменения к другим зависимым параметрам удовлетворили ограничениям настройки, то программное обеспечение изменяет атрибуты кодера зависимых параметров. Уровень многословия определяет, отображает ли программное обеспечение уведомления для этих последующих изменений.

После создания кодера configurer configurer, можно изменить уровень многословия при помощи записи через точку.

configurer.Verbose = false;

Пример: 'Verbose',false

Типы данных: логический

Размерность наблюдения данных о предикторе, заданная как разделенная запятой пара, состоящая из 'ObservationsIn' и любой 'rows' или 'columns'. Если вы устанавливаете 'ObservationsIn' к 'columns', затем данные о предикторе X должен быть ориентирован так, чтобы наблюдения соответствовали столбцам.

Примечание

'columns' опция доступна только для линейных моделей и моделей ECOC с линейными бинарными учениками.

Пример: 'ObservationsIn','columns'

Выходные аргументы

свернуть все

Кодер configurer модели машинного обучения, возвращенной как один из кодера configurer, возражает в этой таблице.

МодельОбъект кодера Конфигурера
Дерево выбора из двух альтернатив для классификации мультиклассовClassificationTreeCoderConfigurer
SVM для и бинарной классификации одного классаClassificationSVMCoderConfigurer
Линейная модель для бинарной классификацииClassificationLinearCoderConfigurer
Модель Multiclass для SVMs и линейные моделиClassificationECOCCoderConfigurer
Дерево выбора из двух альтернатив для регрессииRegressionTreeCoderConfigurer
Регрессия машины опорных векторов (SVM)RegressionSVMCoderConfigurer
Линейная регрессияRegressionLinearCoderConfigurer

Используйте объектные функции и свойства кодера configurer объект сконфигурировать опции генерации кода и сгенерировать код C/C++ для predict и update функции модели машинного обучения.

Введенный в R2018b

Для просмотра документации необходимо авторизоваться на сайте