Сохраните объект модели в файле для генерации кода
Сгенерировать код C/C++ для объектных функций моделей машинного обучения (включая predict, random, knnsearch, rangesearch, и функции пошагового обучения), использовать saveLearnerForCoder, loadLearnerForCoder, и codegen (MATLAB Coder). 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. Использование saveLearnerForCoder для подсвеченного шага.
Генерация кода C/C++ фиксированной точки требует дополнительного шага, который задает типы данных с фиксированной точкой переменных, требуемых для предсказания. Создайте структуру типа данных с фиксированной точкой при помощи функции типа данных, сгенерированной generateLearnerDataTypeFcn, и используйте структуру в качестве входного параметра loadLearnerForCoder в функции точки входа. При генерации фиксированной точки код C/C++ требует MATLAB Coder и Fixed-Point Designer™.
Эта блок-схема показывает рабочий процесс генерации фиксированной точки для predict функция модели машинного обучения. Использование saveLearnerForCoder для подсвеченного шага.
saveLearnerForCoder( готовит модель классификации, модель регрессии или самого близкого соседнего искателя (Mdl,filename)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.
saveLearnerForCoder готовит модель машинного обучения (Mdl) для генерации кода. Функция удаляет некоторые ненужные свойства.
Для модели, которая имеет соответствующую компактную модель, saveLearnerForCoder функция применяет соответствующее 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 гипероптимизации параметров управления, учебная информация о решателе и другие.
loadLearnerForCoder загружает модель, сохраненную saveLearnerForCoder.
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 Предсказания и Обновления Используя Кодер Конфигурера.
generateLearnerDataTypeFcn | loadLearnerForCoder | codegen (MATLAB Coder)
