Загрузка и предварительная обработка данных

Загрузите набор данных о деятельности персонала. Произвольно перетасовать данные.

load humanactivity
rng(1); % For reproducibility
n = numel(actid);
p = size(feat,2);
idx = randsample(n,n);
X = feat(idx,:);
actid = actid(idx);

Для получения подробной информации о наборе данных введите Description в командной строке.

Отклики могут быть одним из пяти классов: Сидя, стоя, Ходьба, Бега или Танцы. Дихотомизировать ответ, определив, свободен ли субъект (actid <= 2). Сохраните уникальные имена классов. Создание категориальных массивов.

classnames = categorical(["Idle" "NotIdle"]);
Y = repmat(classnames(1),n,1);
Y(actid > 2) = classnames(2);

Настройка модели инкрементного обучения

Чтобы создать код для инкрементной классификации, необходимо соответствующим образом настроить линейную модель двоичной классификации для инкрементного обучения incrementalClassificationLinear.

Создание модели двоичной классификации (SVM) для инкрементного обучения. Полностью сконфигурируйте модель для генерации кода, указав все ожидаемые имена классов и количество переменных предиктора. Кроме того, укажите отслеживание коэффициента неправильной классификации и потери шарнира. Для воспроизводимости этот пример отключает тасование наблюдений для инвариантного по масштабу решателя.

metrics = ["classiferror" "hinge"];
IncrementalMdl = incrementalClassificationLinear('ClassNames',classnames,'NumPredictors',p,...
    'Shuffle',false,'Metrics',metrics)

IncrementalMdl = 
  incrementalClassificationLinear

            IsWarm: 0
           Metrics: [2x2 table]
        ClassNames: [Idle    NotIdle]
    ScoreTransform: 'none'
              Beta: [60x1 double]
              Bias: 0
           Learner: 'svm'


  Properties, Methods

Mdl является incremenalClassificationLinear объект модели, сконфигурированный для создания кода. Mdl холодно (Mdl.IsWarm является 0), поскольку он не обработал данные - коэффициенты 0.

Кроме того, поскольку данные доступны, можно подогнать модель SVM к данным с помощью одного из следующих способов: fitcsvm или fitclinear, а затем преобразовать результирующую модель в инкрементную модель обучения, передав модель в incrementalLearner. Полученная модель является теплой, потому что она обработала данные - ее коэффициенты, вероятно, ненулевые.

Сохранить модель с помощью saveLearnerForCoder

Сохранение инкрементной модели обучения в файле InitialMdl.mat с помощью saveLearnerForCoder.

saveLearnerForCoder(IncrementalMdl,'InitialMdl');

saveLearnerForCoder сохраняет инкрементную модель обучения в двоичном файле MATLAB SVMClassIncrLearner.mat как массивы структуры в текущей папке.

Определение функций точек входа

Функция начального уровня, также известная как функция верхнего уровня или первичная функция, является функцией, определяемой для создания кода. Потому что вы не можете вызвать какую-либо функцию на верхнем уровне с помощью codegen, необходимо определить функцию точки входа, которая вызывает функции с поддержкой генерации кода, и создать код C/C + + для функции точки входа с помощью codegen. Все функции в рамках функции начального уровня должны поддерживать генерацию кода.

Определите четыре отдельные функции точки входа в текущей папке, которые выполняют следующие действия.

Дополнительные сведения о создании кода для нескольких функций точки входа см. в разделе Создание кода для нескольких функций точки входа (кодер MATLAB).

Добавить %#codegen директива компилятора (или прагматика) для функции начального уровня после сигнатуры функции, указывающая, что предполагается создать код для алгоритма MATLAB. Добавление этой директивы дает команду анализатору кода MATLAB помочь в диагностике и устранении нарушений, которые могут привести к ошибкам при создании кода. См. раздел Проверка кода с помощью анализатора кода (кодер MATLAB).

Кроме того, можно получить доступ к функциям в mlr/examples/stats/main, где mlr - значение matlabroot.

Отображение тела каждой функции.

type myInitialModelIncrLearn.m

function incrementalModel = myInitialModelIncrLearn() %#codegen
% MYINITIALMODELINCRLEARN Load and return configured linear model for
% binary classification InitialMdl
    incrementalModel = loadLearnerForCoder('InitialMdl');
end

type myUpdateMetricsIncrLearn.m

function incrementalModel = myUpdateMetricsIncrLearn(incrementalModel,X,Y) %#codegen
% MYUPDATEMETRICSINCRLEARN Measure model performance metrics on new data
      incrementalModel = updateMetrics(incrementalModel,X,Y); 
end

type myFitIncrLearn.m

function incrementalModel = myFitIncrLearn(incrementalModel,X,Y) %#codegen
% MYFITINCRLEARN Fit model to new data
      incrementalModel = fit(incrementalModel,X,Y); 
end

type myPredictIncrLearn.m

function [labels,scores] = myPredictIncrLearn(incrementalModel,X) %#codegen
% MYPREDICTINCRLEARN Predict labels and classification scores on new data
      [labels,scores] = predict(incrementalModel,X); 
end

Создать код

Настройка компилятора

Для создания кода C/C + + необходимо иметь доступ к компилятору C/C + +, который настроен правильно. MATLAB Coder находит и использует поддерживаемый установленный компилятор. Вы можете использоватьmex -setup для просмотра и изменения компилятора по умолчанию. Дополнительные сведения см. в разделе Изменение компилятора по умолчанию.

Тип построения

Кодер MATLAB может генерировать код для следующих типов сборки:

Тип сборки можно указать с помощью -config вариант codegen (Кодер MATLAB). Дополнительные сведения о настройке параметров генерации кода см. в разделе -config вариант codegen (Кодер MATLAB) и Настройка параметров построения (Кодер MATLAB).

По умолчанию codegen генерирует функцию MEX. Функция MEX - это программа C/C + +, выполняемая из MATLAB. Функцию MEX можно использовать для ускорения алгоритмов MATLAB и тестирования сгенерированного кода на наличие проблем функциональности и времени выполнения. Дополнительные сведения см. в разделах Ускорение алгоритма MATLAB (кодер MATLAB) и Зачем тестировать функции MEX в MATLAB? (Кодер MATLAB).

Создать код с помощью codegen

Поскольку C и C++ являются статически типизированными языками, необходимо указать свойства всех переменных в функции точки входа во время компиляции. Укажите все следующие параметры:

predictorData = coder.typeof(X,[],[true false]); 
responseData = coder.typeof(Y,[],true);
IncrMdlOutputType = coder.OutputType('myInitialModelIncrLearn');

Создание кода для функций точки входа с помощью codegen (Кодер MATLAB). Для каждого аргумента функции точки входа используйте -args флаги для указания кодерных представлений переменных. Укажите имя выходной функции MEX myIncrLearn_mex.

 codegen -o myIncrLearn_mex ...
 myInitialModelIncrLearn ... 
 myUpdateMetricsIncrLearn -args {IncrMdlOutputType,predictorData,responseData} ...
 myFitIncrLearn -args {IncrMdlOutputType,predictorData,responseData} ...
 myPredictIncrLearn –args {IncrMdlOutputType,predictorData} -report

Code generation successful: To view the report, open('codegen/mex/myIncrLearn_mex/html/report.mldatx').

Для получения справки по отладке проблем создания кода просмотрите созданный код C/C + +, щелкнувView report (см. Отчеты по генерации кода (кодер MATLAB)).

Проверить созданный код

Протестируйте функцию MEX для проверки того, что сгенерированный код обеспечивает те же функциональные возможности, что и исходный код MATLAB. Для выполнения этого теста запустите функцию MEX, используя те же входные данные, которые использовались для запуска исходного кода MATLAB, а затем сравните результаты. Запуск функции MEX в MATLAB перед созданием автономного кода также позволяет обнаруживать и исправлять ошибки времени выполнения, которые гораздо сложнее диагностировать в сгенерированном автономном коде. Дополнительные сведения см. в разделе Зачем тестировать функции MEX в MATLAB? (Кодер MATLAB).

Выполнение инкрементного обучения с использованием сгенерированных функций MEX и непосредственно с помощью функций объекта. Укажите пакет

% Preallocation
numObsPerChunk = 50;
nchunk = floor(n/numObsPerChunk);
ce = array2table(zeros(nchunk,2),'VariableNames',["Cumulative" "Window"]);
hinge = ce;
ceCG = ce;
hingeCG = ce;
IncrementalMdlCG = myIncrLearn_mex('myInitialModelIncrLearn');
scores = zeros(n,2);
scoresCG = zeros(n,2);

% Incremental fitting
for j = 1:nchunk
    ibegin = min(n,numObsPerChunk*(j-1) + 1);
    iend   = min(n,numObsPerChunk*j);
    idx = ibegin:iend;

    IncrementalMdl = updateMetrics(IncrementalMdl,X(idx,:),Y(idx));
    ce{j,:} = IncrementalMdl.Metrics{"ClassificationError",:};
    hinge{j,:} = IncrementalMdl.Metrics{"HingeLoss",:};
    IncrementalMdlCG = myIncrLearn_mex('myUpdateMetricsIncrLearn',IncrementalMdlCG,...
        X(idx,:),Y(idx));
    ceCG{j,:} = IncrementalMdlCG.Metrics{"ClassificationError",:};
    hingeCG{j,:} = IncrementalMdlCG.Metrics{"HingeLoss",:};

    IncrementalMdl = fit(IncrementalMdl,X(idx,:),Y(idx));
    IncrementalMdlCG = myIncrLearn_mex('myFitIncrLearn',IncrementalMdlCG,X(idx,:),Y(idx));
    
    [~,scores(idx,:)] = predict(IncrementalMdl,X(idx,:));
    [~,scoresCG(idx,:)] = myIncrLearn_mex('myPredictIncrLearn',IncrementalMdlCG,X(idx,:));
end

Сравнение кумулятивных показателей и оценок для классификации Idle возвращаемые функциями объекта и функциями MEX.

idx = all(~isnan(ce.Variables),2);
areCEsEqual = norm(ce.Cumulative(idx) - ceCG.Cumulative(idx))

areCEsEqual = 8.9904e-18

idx = all(~isnan(hinge.Variables),2);
areHingeLossesEqual = norm(hinge.Cumulative(idx) - hingeCG.Cumulative(idx))

areHingeLossesEqual = 8.4704e-17

areScoresEqual = norm(scores(:,1) - scoresCG(:,1))

areScoresEqual = 8.8356e-13

Различия между возвращенными количествами незначительны.