Реконструировать объект модели из сохраненной модели для создания кода
Создание кода C/C + + для объектных функций моделей машинного обучения ( в т.ч.predict, random, knnsearch, rangesearchи инкрементные функции обучения), saveLearnerForCoder, loadLearnerForCoder, и codegen (Кодер MATLAB). После обучения модели машинного обучения сохраните модель с помощью saveLearnerForCoder. Определение функции точки входа, которая загружает модель с помощью loadLearnerForCoder и вызывает функцию объекта. Затем использовать codegen или приложение MATLAB ® Coder™ для создания кода C/C + +. Для создания кода C/C + + требуется кодер MATLAB.
Для функций, поддерживающих генерацию кода C/C + + с одной точностью, используйтеsaveLearnerForCoder, loadLearnerForCoder, и codegen (кодер MATLAB); укажите аргумент имя-значение 'DataType','single' при вызове loadLearnerForCoder функция.
На этой блок-схеме показан рабочий процесс создания кода для объектных функций моделей машинного обучения. Использовать loadLearnerForCoder для выделенного шага.
Генерация кода C/C + + с фиксированной точкой требует дополнительного шага, который определяет типы данных с фиксированной точкой переменных, необходимых для прогнозирования. Создание структуры типа данных с фиксированной точкой с помощью функции типа данных, созданной generateLearnerDataTypeFcnи использовать структуру в качестве входного аргумента loadLearnerForCoder в функции точки входа. Для создания кода C/C + + с фиксированной точкой требуется кодер MATLAB и Designer™ с фиксированной точкой.
На этой блок-схеме показан рабочий процесс создания кода с фиксированной точкой для predict функция модели машинного обучения. Использовать loadLearnerForCoder для выделенного шага.
Mdl = loadLearnerForCoder(filename)Mdl) из модели, хранящейся в форматированном двоичном файле MATLAB (MAT-файл) с именем filename. Необходимо создать filename файл с помощью saveLearnerForCoder.
Mdl = loadLearnerForCoder(filename,'DataType',T)filename. Структура T содержит поля, которые определяют типы данных с фиксированной точкой для переменных, необходимых для использования predict функция модели. Создать T используя функцию, сгенерированную generateLearnerDataTypeFcn.
Используйте этот синтаксис в функции точки входа и используйте codegen для создания кода с фиксированной точкой для функции точки входа. Этот синтаксис можно использовать только при создании кода.
Для создания кода с одной точностью для модели регрессии гауссова процесса (GPR) создайте модель с помощью fitrgp(X,Y,'Standardize',1).
saveLearnerForCoder готовит модель машинного обучения (Mdl) для генерации кода. Функция удаляет некоторые ненужные свойства.
Для модели, имеющей соответствующую компактную модель, saveLearnerForCoder функция применяет соответствующие compact перед сохранением в модели.
Для модели, не имеющей соответствующей компактной модели, например ClassificationKNN, ClassificationLinear, RegressionLinear, ExhaustiveSearcher, и KDTreeSearcher, saveLearnerForCoder функция удаляет такие свойства, как свойства оптимизации гиперпараметров, сведения об обучающем решателе и другие.
loadLearnerForCoder загружает модель, сохраненную saveLearnerForCoder.
Использовать конфигуратор кодера, созданный learnerCoderConfigurer для моделей, перечисленных в этой таблице.
| Модель | Объект конфигуратора кодера |
|---|---|
| Двоичное дерево решений для многоклассовой классификации | ClassificationTreeCoderConfigurer |
| SVM для одноклассной и двоичной классификации | ClassificationSVMCoderConfigurer |
| Линейная модель для двоичной классификации | ClassificationLinearCoderConfigurer |
| Многоклассовая модель для SVM и линейных моделей | ClassificationECOCCoderConfigurer |
| Двоичное дерево решений для регрессии | RegressionTreeCoderConfigurer |
| Регрессия вектора поддержки (SVM) | RegressionSVMCoderConfigurer |
| Линейная регрессия | RegressionLinearCoderConfigurer |
После обучения модели машинного обучения создайте конфигуратор кодера модели. Используйте функции объекта и свойства конфигуратора для конфигурирования опций генерации кода и создания кода для predict и update функции модели. При создании кода с помощью конфигуратора кодера можно обновить параметры модели в сгенерированном коде без необходимости регенерации кода. Дополнительные сведения см. в разделе Создание кода для прогнозирования и обновления с помощью конфигуратора кодера.
generateLearnerDataTypeFcn | saveLearnerForCoder | codegen (кодер MATLAB)