В этом примере показано, как сгенерировать код для предварительно обученной сети долгой краткосрочной памяти (LSTM), которая пользуется Библиотекой ARM® Compute, и разверните код по цели Raspberry Pi™. В этом примере сеть LSTM предсказывает Остающийся срок полезного использования (RUL) машины. Сеть берет в качестве входных наборов данных временных рядов, которые представляют различные датчики в механизме. Сеть возвращает Остающийся Срок полезного использования механизма, измеренного в циклах, как его выход.
Этот пример использует Турбовентиляторный Набор Данных моделирования Ухудшения Engine как описано в [1]. Этот набор данных содержит 100 учебных наблюдений и 100 тестовых наблюдений. Обучающие данные содержат симулированные данные временных рядов для 100 механизмов. Каждая последовательность имеет 17 функций, варьируется по длине и соответствует полному экземпляру запуска к отказу (RTF). Тестовые данные содержат 100 частичных последовательностей и соответствующие значения Остающегося Срока полезного использования в конце каждой последовательности.
Этот пример использует предварительно обученную сеть LSTM. Для получения дополнительной информации о том, как обучить сеть LSTM, смотрите, что Классификация Последовательностей в качестве примера Использует Глубокое обучение.
Этот пример демонстрирует два разных подхода для выполнения предсказания при помощи сети LSTM:
Первый подход использует стандартную сеть LSTM и запускает вывод на наборе данных временных рядов.
Второй подход усиливает поведение с сохранением информации той же сети LSTM. В этом методе вы передаете один такт данных за один раз и имеете обновление сети ее состояние на каждом временном шаге.
Этот пример использует базирующийся рабочий процесс PIL, чтобы сгенерировать MEX-функцию, которая в свою очередь вызывает исполняемый файл, сгенерированный в целевом компьютере из MATLAB.
Строки кода в этом примере комментируются. Не прокомментируйте их, прежде чем вы запустите пример.
Этот пример не поддерживается в MATLAB Online.
MATLAB® Coder™
Embedded Coder®
Deep Learning Toolbox™
Интерфейс MATLAB Coder для Библиотек Глубокого обучения. Чтобы установить этот пакет поддержки, используйте Add-On Explorer.
Пакет Поддержки MATLAB для Оборудования Raspberry Pi. Чтобы установить этот пакет поддержки, используйте Add-On Explorer.
Оборудование Raspberry Pi
ARM Вычисляет Библиотеку (на целевом оборудовании ARM)
Переменные окружения для компиляторов и библиотек. Для получения информации о поддерживаемых версиях компиляторов и библиотек, см. Стороннее Аппаратное и программное обеспечение (MATLAB Coder). Для подготовки переменных окружения смотрите Переменные окружения (MATLAB Coder).
Чтобы сгенерировать MEX-функцию PIL для заданной функции точки входа, создайте объект настройки кода для статической библиотеки и установите режим верификации на 'PIL'. Установите выходной язык на C++.
% cfg = coder.config('lib', 'ecoder', true); % cfg.VerificationMode = 'PIL'; % cfg.TargetLang = 'C++';
Создайте coder.ARMNEONConfig
объект. Задайте Вычислить версию Библиотеки. В данном примере предположите, что ARM Вычисляет Библиотеку в оборудовании Raspberry Pi, версия 19.05.
% dlcfg = coder.DeepLearningConfig('arm-compute'); % dlcfg.ArmComputeVersion = '19.05';
Установите DeepLearningConfig
свойство настройки генерации кода возражает против объекта настройки глубокого обучения.
% cfg.DeepLearningConfig = dlcfg;
Использование Пакет Поддержки MATLAB для Raspberry Pi Поддерживает функцию Пакета, raspi
, создать связь с Raspberry Pi. В следующем коде, замене:
raspiname
с именем вашего Raspberry Pi
username
с вашим именем пользователя
password
с вашим паролем
% r = raspi('raspiname','username','password');
Создайте coder.Hardware
объект для Raspberry Pi и присоединения это к объекту настройки генерации кода.
% hw = coder.hardware('Raspberry Pi'); % cfg.Hardware = hw;
В этом подходе вы генерируете код для функции точки входа rul_lstmnet_predict
.
rul_lstmnet_predict.m функция точки входа берет целый набор данных временных рядов в качестве входа и передает его сети для предсказания. А именно, функция использует сеть LSTM, которая обучена в Классификации Последовательностей в качестве примера Используя Глубокое обучение. Функция загружает сетевой объект от rul_lstmnet.mat
файл в персистентную переменную и повторные использования этот постоянный объект в последующих вызовах предсказания. Сеть LSTM от последовательности к последовательности позволяет вам сделать различные предсказания для каждого отдельного временного шага последовательности данных.
Чтобы отобразить интерактивную визуализацию сетевой архитектуры и информации о слоях сети, используйте analyzeNetwork
функция.
type('rul_lstmnet_predict.m')
function out = rul_lstmnet_predict(in) %#codegen % Copyright 2019 The MathWorks, Inc. persistent mynet; if isempty(mynet) mynet = coder.loadDeepLearningNetwork('rul_lstmnet.mat'); end out = mynet.predict(in);
Сгенерировать код при помощи codegen
(MATLAB Coder) команда, используйте coder.typeof
(MATLAB Coder) функция, чтобы задать тип и размер входного параметра к функции точки входа. В этом примере вход имеет двойной тип данных со значением размерности признаков 17 и переменная длина последовательности. Задайте длину последовательности как переменный размер, чтобы выполнить предсказание на входной последовательности любой длины.
% matrixInput = coder.typeof(double(0),[17 Inf],[false true]);
Запуститесь codegen команда, чтобы сгенерировать PIL основывала MEX-функцию rul_lstmnet_predict_pil
на серверной платформе.
% codegen -config cfg rul_lstmnet_predict -args {matrixInput} -report
Загрузите MAT-файл RULTestData
. Этот MAT-файл хранит переменные XTest
и YTest
это содержит демонстрационный timeseries показаний датчика, на которых можно протестировать сгенерированный код. Это тестовые данные взято из Классификации Последовательностей в качестве примера Используя Глубокое обучение после предварительной обработки данных.
load RULTestData;
XTest
переменная содержит 100 входных наблюдений. Каждое наблюдение имеет 17 функций с различной длиной последовательности.
XTest(1:5)
ans=5×1 cell array
{17×31 double}
{17×49 double}
{17×126 double}
{17×106 double}
{17×98 double}
YTest
переменная содержит 100 выходных наблюдений, которые соответствуют XTest
входная переменная. Каждое выходное наблюдение является Остающимся Сроком полезного использования (RUI) значение, измеренное в циклах, для каждых данных о временном шаге в целой последовательности.
YTest(1:5)
ans=5×1 cell array
{1×31 double}
{1×49 double}
{1×126 double}
{1×106 double}
{1×98 double}
Запустите сгенерированную MEX-функцию rul_lstmnet_predict_pil
на установлены случайные тестовые данные.
% idx = randperm(numel(XTest), 1); % inputData = XTest{idx}; % YPred1 = rul_lstmnet_predict_pil(inputData);
Используйте график сравнить выходные данные MEX с тестовыми данными.
% figure('Name', 'Standard LSTM', 'NumberTitle', 'off'); % % plot(YTest{idx},'--') % hold on % plot(YPred1,'.-') % hold off % % ylim([0 175]) % title("Test Observation " + idx) % xlabel("Time Step") % ylabel("RUL measured in cycles")
% clear rul_lstmnet_predict_pil;
Вместо того, чтобы передать целые данные о timeseries целиком predict
, можно запустить предсказание путем потоковой передачи входных данных, мудрых сегментом при помощи predictAndUpdateState
функция.
Функция точки входа rul_lstmnet_predict_and_update.m принимает вход одно такта и обрабатывает его при помощи predictAndUpdateState
функция. predictAndUpdateState
возвращает предсказание в течение входного такта и обновляет сеть так, чтобы последующие части входа были обработаны как последующие такты той же выборки.
type('rul_lstmnet_predict_and_update.m')
function out = rul_lstmnet_predict_and_update(in) %#codegen % Copyright 2019 The MathWorks, Inc. persistent mynet; if isempty(mynet) mynet = coder.loadDeepLearningNetwork('rul_lstmnet.mat'); end [mynet, out] = predictAndUpdateState(mynet, in); end
Создайте входной тип для codegen
команда. Поскольку rul_lstmnet_predict_and_update
принимает одни данные такта в каждом вызове, укажите, что вход вводит matrixInput
иметь фиксированную длину последовательности 1 вместо переменной длины последовательности.
% matrixInput = coder.typeof(double(0),[17 1]);
Запустите codegen
команда, чтобы сгенерировать PIL основывала MEX-функцию rul_lstmnet_predict_and_update_pil
на серверной платформе.
% codegen -config cfg rul_lstmnet_predict_and_update -args {matrixInput} -report
% Run generated MEX function(|rul_lstmnet_predict_and_update_pil|) for each % time step data in the inputData sequence. % sequenceLength = size(inputData,2); % YPred2 = zeros(1, sequenceLength); % for i=1:sequenceLength % inTimeStep = inputData(:,i); % YPred2(:, i) = rul_lstmnet_predict_and_update_pil(inTimeStep); % end
После того, как вы передаете все такты, по одному, к rul_lstmnet_predict_and_update
функция, получившийся выход совпадает с этим в первом подходе, в котором вы передали все входные параметры целиком.
Используйте график сравнить выходные данные MEX с тестовыми данными.
% figure('Name', 'Statefull LSTM', 'NumberTitle', 'off'); % % % plot(YTest{idx},'--') % hold on % plot(YPred2,'.-') % hold off % % ylim([0 175]) % title("Test Observation " + idx) % xlabel("Time Step") % ylabel("RUL measured in cycles")
% clear rul_lstmnet_predict_and_update_pil;
[1] Saxena, Abhinav, Кай Гоебель, Дон Саймон и Нил Экланд. "Повредите моделирование распространения для симуляции запуска к отказу авиационного двигателя". В Предзнаменованиях и медицинском управлении, 2008. PHM 2008. Международная конференция по вопросам, стр 1-9. IEEE, 2008.
predictAndUpdateState
| coder.ARMNEONConfig
(MATLAB Coder) | coder.DeepLearningConfig
(MATLAB Coder) | coder.hardware
(MATLAB Coder)