saveCompactModel

(Чтобы быть удаленным), Сохраняют объект модели в файле для генерации кода

saveCompactModel будет удален в будущем релизе. Используйте saveLearnerForCoder вместо этого. Чтобы обновить ваш код, просто замените экземпляры saveCompactModel с saveLearnerForCoder.

Синтаксис

saveCompactModel(Mdl,filename)

Описание

Сгенерировать код C/C++ для объектных функций (predict, random, knnsearch, или rangesearch) из моделей машинного обучения используйте saveCompactModel, loadCompactModel, и codegen. После обучения модель машинного обучения сохраните модель при помощи saveCompactModel. Задайте функцию точки входа, которая загружает модель при помощи loadCompactModel и вызывает объектную функцию. Затем используйте codegen или приложение MATLAB^® Coder™, чтобы сгенерировать код C/C++. Генерация кода C/C++ требует MATLAB Coder.

Эта блок-схема показывает рабочий процесс генерации кода для объектных функций моделей машинного обучения. Используйте saveCompactModel для подсвеченного шага.

пример

saveCompactModel(Mdl,filename) готовит модель классификации, модель регрессии или самого близкого соседнего искателя (Mdl) для генерации кода и сохраняет, она в MATLAB отформатировала двоичный файл (MAT-файл) под названием filename. Можно передать filename к loadCompactModel восстановить объект модели от filename файл.

Примеры

свернуть все

Сгенерируйте Код C/C++ для Прогноза

Этот пример использует:

Скрипт Open Live Script

После обучения модель машинного обучения сохраните модель при помощи saveCompactModel. Задайте функцию точки входа, которая загружает модель при помощи loadCompactModel и вызывает predict функция обученной модели. Затем используйте codegen сгенерировать код C/C++.

Этот пример кратко объясняет рабочий процесс генерации кода для прогноза моделей машинного обучения в командной строке. Для получения дополнительной информации смотрите Генерацию кода для Прогноза Модели Машинного обучения в Командной строке. Можно также сгенерировать код с помощью приложения MATLAB Coder. Смотрите Генерацию кода для Прогноза Модели Машинного обучения Используя Приложение MATLAB Coder для деталей. Чтобы узнать о генерации кода для нахождения самых близких соседей, использующих самую близкую соседнюю модель искателя, смотрите Генерацию кода для Самого близкого Соседнего Искателя.

Обучите модель

Загрузите ирисовый набор данных Фишера. Удалите все заметили, что setosa диафрагмирует данные так, чтобы X и Y содержите данные для двух классов только.

load fisheriris
inds = ~strcmp(species,'setosa');
X = meas(inds,:);
Y = species(inds);

Обучите модель классификации машин опорных векторов (SVM) использование обработанного набора данных.

Mdl = fitcsvm(X,Y);

Mdl ClassificationSVM модель.

Сохраните модель

Сохраните модель классификации SVM в файл SVMIris.mat при помощи saveCompactModel.

saveCompactModel(Mdl,'SVMIris');

Задайте функцию точки входа

Задайте функцию с именем точки входа classifyIrises это делает следующее:

Примите ирисовые цветочные измерения со столбцами, соответствующими meas, и возвратите предсказанные метки.
Загрузите обученную модель классификации SVM.
Предскажите метки с помощью загруженной модели классификации в ирисовых цветочных измерениях.

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

function label = classifyIrises(X) %#codegen
%CLASSIFYIRISES Classify iris species using SVM Model
%   CLASSIFYIRISES classifies the iris flower measurements in X using the
%   compact SVM model in the file SVMIris.mat, and then returns class
%   labels in label.
CompactMdl = loadCompactModel('SVMIris');
label = predict(CompactMdl,X);
end

Добавьте %#codegen директива компилятора (или прагма) к функции точки входа после функциональной подписи, чтобы указать, что вы намереваетесь сгенерировать код для алгоритма MATLAB. Добавление этой директивы дает Анализатору кода MATLAB команду помогать вам диагностировать и зафиксировать нарушения, которые привели бы к ошибкам во время генерации кода.

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

Сгенерируйте код

Сгенерируйте код для функции точки входа использование codegen. Поскольку C и C++ являются статически типизированными языками, необходимо определить свойства всех переменных в функции точки входа во время компиляции. Передайте X как значение -args опция, чтобы указать, что сгенерированный код должен принять вход, который имеет совпадающий тип данных и размер массивов как обучающие данные X. Если количество наблюдений неизвестно во время компиляции, можно также задать вход как переменный размер при помощи coder.typeof. Для получения дополнительной информации смотрите, Задают Аргументы Переменного Размера для Code Generation and Specify Properties Входных параметров функции Точки входа (MATLAB Coder).

codegen classifyIrises -args {X}

codegen генерирует MEX-функцию classifyIrises_mex с зависимым платформой расширением.

Проверьте сгенерированный код

Сравните метки, классифицированные с помощью predict, classifyIrises, и classifyIrises_mex.

label1 = predict(Mdl,X);
label2 = classifyIrises(X);
label3 = classifyIrises_mex(X);
verify_label = isequal(label1,label2,label3)

verify_label = logical
   1

isequal возвращает (TRUE) логическую единицу, что означает, что все входные параметры равны. Метки классифицировали все три пути, то же самое.

Входные параметры

свернуть все

`Mdl` — Модель машинного обучения
полный объект модели | объект компактной модели

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

Объект модели классификации

Модель	Полные Объекты / Объекты Компактной модели	Учебная функция
Дерево выбора из двух альтернатив для классификации	`ClassificationTree`, `CompactClassificationTree`	`fitctree`
Классификация дискриминантных анализов	`ClassificationDiscriminant`, `CompactClassificationDiscriminant`	`fitcdiscr`
Классификатор ансамбля	`ClassificationEnsemble`, `CompactClassificationEnsemble`, `ClassificationBaggedEnsemble`	`fitcensemble`
k- соседняя классификация	`ClassificationKNN`	`fitcknn`
Линейная модель для бинарной классификации высоко-размерных данных	`ClassificationLinear`	`fitclinear`
Модель Multiclass для машин опорных векторов (SVMs) или других классификаторов	`ClassificationECOC`, `CompactClassificationECOC`	`fitcecoc`
Наивный классификатор Байеса	`ClassificationNaiveBayes`, `CompactClassificationNaiveBayes`	`fitcnb`
SVM для и бинарной классификации одного класса	`ClassificationSVM`, `CompactClassificationSVM`	`fitcsvm`

Объект модели регрессии

Модель	Полная Объектная / Объектная Компактная модель	Учебная функция
Регрессия ансамбля	`RegressionEnsemble`, `CompactRegressionEnsemble`, `RegressionBaggedEnsemble`	`fitrensemble`
Гауссова регрессия процесса	`RegressionGP`, `CompactRegressionGP`	`fitrgp`
Обобщенная линейная модель	`GeneralizedLinearModel`, `CompactGeneralizedLinearModel`	`fitglm`, `stepwiseglm`
Модель линейной регрессии	`LinearModel`, `CompactLinearModel`	`fitlm`, `stepwiselm`
Линейная регрессия для высоко-размерных данных	`RegressionLinear`	`fitrlinear`
Дерево регрессии	`RegressionTree`, `CompactRegressionTree`	`fitrtree`
Регрессия SVM	`RegressionSVM`, `CompactRegressionSVM`	`fitrsvm`

Самый близкий соседний объект искателя

Модель	Объект модели	Учебная функция
Исчерпывающий самый близкий соседний искатель	`ExhaustiveSearcher`	`ExhaustiveSearcher`, `createns`
Самый близкий соседний искатель, использующий d-дерево K	`KDTreeSearcher`	`KDTreeSearcher`, `createns`

`filename` FileName
вектор символов | представляет скаляр в виде строки

Имя файла, заданное как вектор символов или скаляр строки.

Если filename файл существует, затем saveCompactModel перезаписывает файл.

Расширение filename файлом должен быть .mat. Если filename не имеет никакого расширения, затем saveCompactModel добавляет .mat.

Если filename не включает полный путь, затем saveCompactModel сохранил файл к текущей папке.

Пример: 'SVMMdl'

Типы данных: char | string

Алгоритмы

saveCompactModel готовит модель машинного обучения (Mdl) для генерации кода. Функция удаляет некоторые свойства, которые не требуются для прогноза.

Для модели, которая имеет соответствующую компактную модель, saveCompactModel функция применяет соответствующий compact функционируйте к модели прежде, чем сохранить его.
Для модели, которая не имеет соответствующей компактной модели, такой как ClassificationKNN, ClassificationLinear, RegressionLinear, ExhaustiveSearcher, и KDTreeSearcher, saveCompactModel функция удаляет свойства, такие как свойства гипероптимизации параметров управления, учебная информация о решателе и другие.

loadCompactModel загружает модель, сохраненную saveCompactModel.

Альтернативная функциональность

Используйте кодер configurer созданный learnerCoderConfigurer для моделей, перечисленных в этой таблице.

Модель	Объект кодера Конфигурера
Дерево выбора из двух альтернатив для классификации мультиклассов	`ClassificationTreeCoderConfigurer`
SVM для и бинарной классификации одного класса	`ClassificationSVMCoderConfigurer`
Линейная модель для бинарной классификации	`ClassificationLinearCoderConfigurer`
Модель Multiclass для SVMs и линейные модели	`ClassificationECOCCoderConfigurer`
Дерево выбора из двух альтернатив для регрессии	`RegressionTreeCoderConfigurer`
Регрессия машины опорных векторов (SVM)	`RegressionSVMCoderConfigurer`
Линейная регрессия	`RegressionLinearCoderConfigurer`

После обучения модель машинного обучения создайте кодер configurer модели. Используйте объектные функции и свойства configurer сконфигурировать опции генерации кода и сгенерировать код для predict и update функции модели. Если вы генерируете код с помощью кодера configurer, можно обновить параметры модели в сгенерированном коде, не имея необходимость регенерировать код. Для получения дополнительной информации смотрите Генерацию кода для Прогноза и Обновления Используя Кодер Конфигурера.

Вопросы совместимости

развернуть все