saveLearnerForCoder

Сохраните объект модели в файле для генерации кода

Синтаксис

saveLearnerForCoder(Mdl,filename)

Описание

Сгенерировать код C/C++ для объектных функций (predict, random, knnsearch, или rangesearch) из моделей машинного обучения используйте saveLearnerForCoder, loadLearnerForCoder, и codegen. После обучения модель машинного обучения сохраните модель при помощи saveLearnerForCoder. Задайте функцию точки входа, которая загружает модель при помощи loadLearnerForCoder 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 saveLearnerForCoder для подсвеченного шага.

пример

saveLearnerForCoder(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 loadLearnerForCoder 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 saveLearnerForCoder. Задайте функцию точки входа, которая загружает модель при помощи loadLearnerForCoder 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 saveLearnerForCoder.

saveLearnerForCoder(Mdl,'SVMIris');

Задайте функцию точки входа

Задайте функцию с именем точки входа classifyIris 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 classifyIris.m % Display contents of classifyIris.m file

function label = classifyIris(X) %#codegen
%CLASSIFYIRIS Classify iris species using SVM Model
%   CLASSIFYIRIS classifies the iris flower measurements in X using the SVM
%   model in the file SVMIris.mat, and then returns class labels in label.
Mdl = loadLearnerForCoder('SVMIris');
label = predict(Mdl,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 classifyIris -args {X}

codegen генерирует MEX-функцию classifyIris_mex с зависимым платформой расширением.

Проверьте сгенерированный код

Сравните метки, классифицированные с помощью predict, classifyIris, и classifyIris_mex.

label1 = predict(Mdl,X);
label2 = classifyIris(X);
label3 = classifyIris_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.

Сгенерируйте Фиксированную точку Код C/C++ для Прогноза

Этот пример использует:

Скрипт Open Live Script

После обучения модель машинного обучения сохраните модель с помощью saveLearnerForCoder. Для генерации фиксированной точки задайте типы данных с фиксированной точкой переменных, требуемых для прогноза при помощи функции типа данных, сгенерированной generateLearnerDataTypeFcn. Затем задайте функцию точки входа, которая загружает модель при помощи обоих loadLearnerForCoder и заданные типы данных с фиксированной точкой и вызовы predict функция модели. Используйте codegen сгенерировать фиксированную точку код C/C++ для функции точки входа, и затем проверить сгенерированный код.

Прежде, чем сгенерировать код с помощью codegen, можно использовать buildInstrumentedMex и showInstrumentationResults оптимизировать типы данных с фиксированной точкой, чтобы улучшать производительность фиксированной точки. Запишите минимальные и максимальные значения именованных и внутренних переменных для прогноза при помощи buildInstrumentedMex. Просмотрите результаты инструментирования с помощью showInstrumentationResults; затем, на основе результатов, настройте свойства типа данных с фиксированной точкой переменных. Для получения дополнительной информации относительно этого дополнительного шага, смотрите Генерацию Фиксированной точки для Прогноза SVM.

Обучите модель

Загрузите ionosphere набор данных и обучает бинарную модель классификации SVM.

load ionosphere
Mdl = fitcsvm(X,Y,'KernelFunction','gaussian');

Mdl ClassificationSVM модель.

Сохраните модель

Сохраните модель классификации SVM в файл myMdl.mat при помощи saveLearnerForCoder.

saveLearnerForCoder(Mdl,'myMdl');

Задайте типы данных с фиксированной точкой

Используйте generateLearnerDataTypeFcn сгенерировать функцию, которая задает типы данных с фиксированной точкой переменных, требуемых для прогноза модели SVM.

generateLearnerDataTypeFcn('myMdl',X)

generateLearnerDataTypeFcn генерирует myMdl_datatype функция.

Создайте структуру T это задает типы данных с фиксированной точкой при помощи myMdl_datatype.

T = myMdl_datatype('Fixed')

T = struct with fields:
               XDataType: [0x0 embedded.fi]
           ScoreDataType: [0x0 embedded.fi]
    InnerProductDataType: [0x0 embedded.fi]

Структура T включает поля для именованных и внутренних переменных, требуемых запускать predict функция. Каждое поле содержит объект фиксированной точки, возвращенный fi. Объект фиксированной точки задает свойства типа данных с фиксированной точкой, такие как размер слова и дробная длина. Например, отобразите свойства типа данных с фиксированной точкой данных о предикторе.

T.XDataType

ans = 

[]

          DataTypeMode: Fixed-point: binary point scaling
            Signedness: Signed
            WordLength: 16
        FractionLength: 14

        RoundingMethod: Floor
        OverflowAction: Wrap
           ProductMode: FullPrecision
  MaxProductWordLength: 128
               SumMode: FullPrecision
      MaxSumWordLength: 128

Задайте функцию точки входа

Задайте функцию с именем точки входа myFixedPointPredict это делает следующее:

Примите данные о предикторе X и структура типа данных с фиксированной точкой T.
Загрузите версию фиксированной точки обученной модели классификации SVM при помощи обоих loadLearnerForCoder и структура T.
Предскажите метки и баллы с помощью загруженной модели.

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

function [label,score] = myFixedPointPredict(X,T) %#codegen
Mdl = loadLearnerForCoder('myMdl','DataType',T);
[label,score] = predict(Mdl,X);
end

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

Сгенерируйте код

XDataType поле структуры T задает тип данных с фиксированной точкой данных о предикторе. Преобразуйте X к типу, заданному в T.XDataType при помощи cast функция.

X_fx = cast(X,'like',T.XDataType);

Сгенерируйте код для функции точки входа использование codegen. Задайте X_fx и постоянный свернутый T как входные параметры функции точки входа.

codegen myFixedPointPredict -args {X_fx,coder.Constant(T)}

codegen генерирует MEX-функцию myFixedPointPredict_mex с зависимым платформой расширением.

Проверьте сгенерированный код

Передайте данные о предикторе predict и myFixedPointPredict_mex сравнить выходные параметры.

[labels,scores] = predict(Mdl,X);
[labels_fx,scores_fx] = myFixedPointPredict_mex(X_fx,T);

Сравните выходные параметры от predict и myFixedPointPredict_mex.

verify_labels = isequal(labels,labels_fx)

verify_labels = logical
   1

isequal возвращает (TRUE) логическую единицу, что означает labels и labels_fx равны. Если метки не равны, можно вычислить процент неправильно классифицированных меток можно следующим образом.

sum(strcmp(labels_fx,labels)==0)/numel(labels_fx)*100

ans = 0

Найдите максимум относительных различий между счетом выходными параметрами.

relDiff_scores = max(abs((scores_fx.double(:,1)-scores(:,1))./scores(:,1)))

relDiff_scores = 0.0055

Если вы не удовлетворены результатами сравнения и хотите улучшить точность сгенерированного кода, можно настроить типы данных с фиксированной точкой и регенерировать код. Для получения дополнительной информации смотрите Советы в generateLearnerDataTypeFcn, Функция типа данных и генерация фиксированной точки для прогноза SVM.

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 saveLearnerForCoder перезаписывает файл.

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

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

Пример: 'SVMMdl'

Типы данных: char | string

Алгоритмы

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

Для модели, которая имеет соответствующую компактную модель, saveLearnerForCoder 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, saveLearnerForCoder функция удаляет свойства, такие как свойства оптимизации гиперпараметра, учебная информация о решателе и другие.

loadLearnerForCoder загружает модель, сохраненную saveLearnerForCoder.

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.

Документация

saveLearnerForCoder

Синтаксис

Описание

Примеры

Сгенерируйте Код C/C++ для Прогноза

Сгенерируйте Фиксированную точку Код C/C++ для Прогноза

Входные параметры

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

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

Алгоритмы

Альтернативная функциональность

Смотрите также

Темы

Введенный в R2019b

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

saveLearnerForCoder

Синтаксис

Описание

Примеры

Сгенерируйте Код C/C++ для Прогноза

Сгенерируйте Фиксированную точку Код C/C++ для Прогноза

Входные параметры

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

filename FileName вектор символов | представляет скаляр в виде строки

Алгоритмы

Альтернативная функциональность

Смотрите также

Темы

Введенный в R2019b

Документация Statistics and Machine Learning Toolbox

Поддержка

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

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