Функция genFunction
позволяет автономные функции MATLAB® для обученной мелкой нейронной сети. Сгенерированный код содержит всю информацию, должен был симулировать нейронную сеть, включая настройки, вес и значения смещения, функции модуля и вычисления.
Сгенерированная функция MATLAB может использоваться, чтобы смотреть точные вычисления симуляции, которые конкретная мелкая нейронная сеть выполняет и облегчает развертывать нейронные сети во многих целях с большим разнообразием продуктов развертывания MATLAB и инструментов.
Функция genFunction
введен в панелях развертывания в инструментах nftool
, nctool
, nprtool
и ntstool
. Для получения информации об этих функциях инструмента сочтите целесообразным Данные с Мелкой Нейронной сетью, Классифицируйте Шаблоны с Мелкой Нейронной сетью, Кластерные Данные с Самоорганизующейся Картой, и Мелким Предсказанием Timeseries Нейронной сети и Моделированием.
Усовершенствованные скрипты, сгенерированные на панели Результатов Сохранения каждого из этих инструментов, включают пример развертывающихся сетей с genFunction
.
Функция genFunction
генерирует автономную функцию MATLAB для симуляции любой обученной мелкой нейронной сети и подготовки его для развертывания. Эта сила быть полезным для нескольких задач:
Зарегистрируйте преобразования ввода - вывода нейронной сети, используемой в качестве шаблона вычисления для ручных перереализаций сети
Используйте блок MATLAB function, чтобы создать блок Simulink®
Используйте MATLAB Compiler™ для:
Сгенерируйте независимые исполняемые файлы
Сгенерируйте дополнения Excel®
Используйте MATLAB Compiler SDK™ для:
Сгенерируйте библиотеки C/C++
Сгенерируйте.COM компоненты
Сгенерируйте компоненты Java®
Сгенерируйте компоненты.NET
Используйте MATLAB Coder™ для:
Сгенерируйте код C/C++
Сгенерируйте эффективные MEX-функции
genFunction(net,'pathname')
берет нейронную сеть и путь к файлу, и производит автономный файл функции MATLAB filename.m
.
genFunction(...,'MatrixOnly','yes')
заменяет обозначение ячейки/матрицы по умолчанию и вместо этого генерирует функцию, которая использует только матричные аргументы, совместимые с инструментами MATLAB Coder. Для статических сетей столбцы матрицы интерпретированы как независимые выборки. Для динамических сетей столбцы матрицы интерпретированы как серия временных шагов. Значением по умолчанию является 'no'
.
genFunction(___,'ShowLinks','no')
отключает поведение по умолчанию отображения ссылок на сгенерированную справку и исходный код. Значением по умолчанию является 'yes'
.
Здесь статическая сеть обучена и ее вычисленные выходные параметры.
[x, t] = bodyfat_dataset; bodyfatNet = feedforwardnet(10); bodyfatNet = train(bodyfatNet, x, t); y = bodyfatNet(x);
Следующий код генерирует, тестирует и отображает функцию MATLAB с тем же интерфейсом как объект нейронной сети.
genFunction(bodyfatNet, 'bodyfatFcn'); y2 = bodyfatFcn(x); accuracy2 = max(abs(y - y2)) edit bodyfatFcn
Можно скомпилировать новую функцию с инструментами MATLAB Compiler (требуемая лицензия) к разделяемой / динамически подключаемой библиотеке с mcc
.
mcc -W lib:libBodyfat -T link:lib bodyfatFcn
Следующий код генерирует другую версию функции MATLAB, которая поддерживает только матричные аргументы (никакие массивы ячеек). Эта функция тестируется. Затем это используется, чтобы сгенерировать MEX-функцию с инструментом MATLAB Coder codegen
(требуемая лицензия), который также тестируется.
genFunction(bodyfatNet, 'bodyfatFcn', 'MatrixOnly', 'yes'); y3 = bodyfatFcn(x); accuracy3 = max(abs(y - y3)) x1Type = coder.typeof(double(0), [13, Inf]); % Coder type of input 1 codegen bodyfatFcn.m -config:mex -o bodyfatCodeGen -args {x1Type} y4 = bodyfatCodeGen(x); accuracy4 = max(abs(y - y4))
Здесь динамическая сеть обучена и ее вычисленные выходные параметры.
[x,t] = maglev_dataset; maglevNet = narxnet(1:2,1:2,10); [X,Xi,Ai,T] = preparets(maglevNet,x,{},t); maglevNet = train(maglevNet,X,T,Xi,Ai); [y,xf,af] = maglevNet(X,Xi,Ai);
Затем функция MATLAB сгенерирована и протестирована. Функция затем используется, чтобы создать разделяемую / динамически подключаемую библиотеку с mcc
.
genFunction(maglevNet,'maglevFcn'); [y2,xf,af] = maglevFcn(X,Xi,Ai); accuracy2 = max(abs(cell2mat(y)-cell2mat(y2))) mcc -W lib:libMaglev -T link:lib maglevFcn
Следующий код генерирует другую версию функции MATLAB, которая поддерживает только матричные аргументы (никакие массивы ячеек). Эта функция тестируется. Затем это используется, чтобы сгенерировать MEX-функцию с инструментом MATLAB Coder codegen
, который также тестируется.
genFunction(maglevNet,'maglevFcn','MatrixOnly','yes'); x1 = cell2mat(X(1,:)); % Convert each input to matrix x2 = cell2mat(X(2,:)); xi1 = cell2mat(Xi(1,:)); % Convert each input state to matrix xi2 = cell2mat(Xi(2,:)); [y3,xf1,xf2] = maglevFcn(x1,x2,xi1,xi2); accuracy3 = max(abs(cell2mat(y)-y3)) x1Type = coder.typeof(double(0),[1 Inf]); % Coder type of input 1 x2Type = coder.typeof(double(0),[1 Inf]); % Coder type of input 2 xi1Type = coder.typeof(double(0),[1 2]); % Coder type of input 1 states xi2Type = coder.typeof(double(0),[1 2]); % Coder type of input 2 states codegen maglevFcn.m -config:mex -o maglevNetCodeGen ... -args {x1Type x2Type xi1Type xi2Type} [y4,xf1,xf2] = maglevNetCodeGen(x1,x2,xi1,xi2); dynamic_codegen_accuracy = max(abs(cell2mat(y)-y4))
Для получения информации о симуляции мелких нейронных сетей и развертывании обученных нейронных сетей с инструментами Simulink, смотрите, Развертывают Мелкую Нейронную сеть Схемы Simulink.