Необходимые условия

Настройка объекта строения генерации кода для статической библиотеки

Чтобы сгенерировать функцию PIL MEX для указанной функции точки входа, создайте объект строения кода для статической библиотеки и установите режим верификации на 'PIL'. Установите целевой язык на C++.

% cfg = coder.config('lib', 'ecoder', true);
% cfg.VerificationMode = 'PIL';
% cfg.TargetLang = 'C++';

Настройте объект строения для генерации кода глубокого обучения

Создайте coder.ARMNEONConfig объект. Укажите версию вычислительной библиотеки. В данном примере предположим, что ARM Compute Library в оборудовании Raspberry Pi является версией 19.05.

% dlcfg = coder.DeepLearningConfig('arm-compute');
% dlcfg.ArmComputeVersion = '19.05';

Установите DeepLearningConfig свойство объекта строения генерации кода объекту строения глубокого обучения.

% cfg.DeepLearningConfig = dlcfg;

Создайте соединение с Raspberry Pi

Используйте функцию MATLAB Поддержки Package for Raspberry Pi Поддержки Package, raspi, для создания соединения с Raspberry Pi. В следующем коде замените:

% r = raspi('raspiname','username','password');

Сконфигурируйте аппаратные параметры генерации кода для Raspberry Pi

Создайте coder.Hardware объект для Raspberry Pi и присоедините его к объекту строения генерации кода.

% hw = coder.hardware('Raspberry Pi');
% cfg.Hardware = hw;

Первый подход: сгенерируйте MEX-функцию PIL для сети LSTM

В этом подходе вы генерируете код для функции точки входа rul_lstmnet_predict.

Функция точки входа rul_lstmnet_predict.m принимает весь набор данных временных рядов как вход и передает его в сеть для предсказания. В частности, функция использует сеть LSTM, которая обучена в примере Классификация последовательности с использованием глубокого обучения (Deep Learning Toolbox). Функция загружает сетевой объект из rul_lstmnet.mat файл в постоянную переменную и повторно использует этот постоянный объект в последующих вызовах предсказания. Сеть LSTM от последовательности к последовательности позволяет вам делать различные предсказания для каждого отдельного временного шага последовательности данных.

Чтобы отобразить интерактивную визуализацию сетевой архитектуры и информацию о слоях сети, используйте analyzeNetwork (Deep Learning Toolbox) 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); 

Чтобы сгенерировать код при помощи codegen команда, используйте coder.typeof функция для определения типа и размера входного параметра для функции точки входа. В этом примере вход имеет двойной тип данных со значением размерности признаков 17 и длину переменной последовательности. Задайте длину последовательности как переменный размер, чтобы выполнить предсказание для входа последовательности любой длины.

% matrixInput = coder.typeof(double(0),[17 Inf],[false true]);

Запустите команду codegen, чтобы сгенерировать основанную на PIL MEX-функцию rul_lstmnet_predict_pil на хост-платформе.

% codegen -config cfg rul_lstmnet_predict -args {matrixInput} -report

Запуск сгенерированных PIL- MEX-функции на тестовых данных

Загрузите MAT-файл RULTestData. Этот MAT-файл хранит переменные XTest и YTest которые содержат выборочный timeseries датчика, на которых можно протестировать сгенерированный код. Эти тестовые данные взяты из примера Классификация последовательности с использованием глубокого обучения (Deep Learning Toolbox) после предварительной обработки данных.

load RULTestData;

The XTest переменная содержит 100 входных наблюдений. Каждое наблюдение имеет 17 функции 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}

The YTest переменная содержит 100 выходных наблюдений, которые соответствуют XTest входная переменная. Каждое выходное наблюдение является значением остаточного полезного срока службы (RUI), измеренным в циклах, для каждого временного шага данных в целом последовательности.

YTest(1:5)

ans=5×1 cell array
    {[                                                                                                                                                                                                                                                                                                                                                             142 141 140 139 138 137 136 135 134 133 132 131 130 129 128 127 126 125 124 123 122 121 120 119 118 117 116 115 114 113 112]}
    {[                                                                                                                                                                                                                                                                                       146 145 144 143 142 141 140 139 138 137 136 135 134 133 132 131 130 129 128 127 126 125 124 123 122 121 120 119 118 117 116 115 114 113 112 111 110 109 108 107 106 105 104 103 102 101 100 99 98]}
    {[150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 149 148 147 146 145 144 143 142 141 140 139 138 137 136 135 134 133 132 131 130 129 128 127 126 125 124 123 122 121 120 119 118 117 116 115 114 113 112 111 110 109 108 107 106 105 104 103 102 101 100 99 98 97 96 95 94 93 92 91 90 89 88 87 86 85 84 83 82 81 80 79 78 77 76 75 74 73 72 71 70 69]}
    {[                                                                   150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 149 148 147 146 145 144 143 142 141 140 139 138 137 136 135 134 133 132 131 130 129 128 127 126 125 124 123 122 121 120 119 118 117 116 115 114 113 112 111 110 109 108 107 106 105 104 103 102 101 100 99 98 97 96 95 94 93 92 91 90 89 88 87 86 85 84 83 82]}
    {[                                                                                          150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 150 149 148 147 146 145 144 143 142 141 140 139 138 137 136 135 134 133 132 131 130 129 128 127 126 125 124 123 122 121 120 119 118 117 116 115 114 113 112 111 110 109 108 107 106 105 104 103 102 101 100 99 98 97 96 95 94 93 92 91]}

Запустите сгенерированную MEX-функцию rul_lstmnet_predict_pil на наборе случайных тестовых данных.

% idx = randperm(numel(XTest), 1);
% inputData = XTest{idx};

% YPred1 = rul_lstmnet_predict_pil(inputData);

Сравнение предсказаний с тестовыми данными

Используйте график, чтобы 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")

Очистить PIL

% clear rul_lstmnet_predict_pil;

Второй подход: сгенерируйте MEX-функцию PIL для сети LSTM с учетом состояния

Вместо передачи всех данных timeseries сразу в predict, можно запустить предсказание путем потоковой передачи входных данных сегментно при помощи predictAndUpdateState функция.

Функция точки входа rul_lstmnet_predict_and_update.m принимает однократный вход и обрабатывает его при помощи predictAndUpdateState (Deep Learning Toolbox) функция. predictAndUpdateState возвращает предсказание для входного временного интервала и обновляет сеть так, чтобы последующие части входа рассматривались как последующие временные интервалы 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 тип входа для codegen команда. Потому что rul_lstmnet_predict_and_update принимает отдельные данные временного интервала в каждом вызове, задает тип входа matrixInput иметь фиксированную длину последовательности 1 вместо переменной длины последовательности.

% matrixInput = coder.typeof(double(0),[17 1]);

Запуск codegen команда для генерации основанной на PIL MEX-функции rul_lstmnet_predict_and_update_pil на хост-платформе.

% codegen -config cfg rul_lstmnet_predict_and_update -args {matrixInput} -report

Запуск сгенерированных PIL- MEX-функции на тестовых данных

% 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 временные интервалы, по одному, в rul_lstmnet_predict_and_update функция, результат выхода такой же, как в первом подходе, в котором вы прошли все входы сразу.

Сравнение предсказаний с тестовыми данными

Используйте график, чтобы 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")

Очистить PIL

% clear rul_lstmnet_predict_and_update_pil;

Ссылки

[1] Саксена, Абхинав, Кай Гебель, Дон Симон и Нил Эклунд. Моделирование распространения повреждений для симуляции пробега двигателя самолета до отказа. В прогнозах и управлении здоровьем, 2008. PHM 2008. Международная конференция, стр. 1-9. IEEE, 2008.