Обзор

Fixed-Point Designer предоставляет рабочие процессы через Инструмент с фиксированной точкой, который может преобразовать проект из типов данных с плавающей точкой в типы данных с фиксированной точкой. Этот Lookup Table Optimizer генерирует замены интерполяционных таблиц, эффективные для памяти, для неограниченных функций, таких как exp и log2. Используя эти инструменты, в этом примере показано, как преобразовать обученную модель регрессии нейронной сети с плавающей точкой для использования встроенных эффективных типов данных с фиксированной точкой.

Обучение данных и нейронных сетей

The engine_dataset содержит данные, представляющие зависимость между расходом топлива, скоростью двигателя и его крутящим моментом и выбросами газа.

load engine_dataset;

Используйте инструмент функциональной подгонки nftool из Deep Learning Toolbox™ обучить нейронную сеть для оценки крутящего момента и газовых выбросов двигателей, учитывая скорость и скорость топлива. Используйте следующие команды для обучения нейронной сети.

x = engineInputs;
t = engineTargets;
net = fitnet(10);
net = train(net,x,t);
view(net)

Закройте все окна обучающего инструмента и просмотра сети.

nnet.guis.closeAllViews();
nntraintool('close');

Подготовка модели для преобразования с фиксированной точкой

После обучения сети используйте gensim функция из Deep Learning Toolbox™, чтобы сгенерировать модель simulink.

sys_name = gensim(net, 'Name', 'mTrainedNN');

Модель, сгенерированная gensim функция содержит нейронную сеть с обученными весами и смещениями. Чтобы подготовить эту сгенерированную модель для преобразования с фиксированной точкой, следуйте шагам подготовки в руководствах по лучшим практикам. https://www.mathworks.com/help/fixedpoint/ug/best-practices-for-using-the-fixed-point-tool-to-propose-data-types-for-your-simulink-model.html

После применения этих принципов обученная нейронная сеть дополнительно модифицируется, чтобы обеспечить возможность регистрации сигналов на выходе сети, добавить входные входные стимулы и блоки верификации.

Откройте и осмотрите модель.

model = 'ex_fxpdemo_neuralnet_regression';
system_under_design = [model '/Function Fitting Neural Network'];
baseline_output = [model '/yarr'];
open_system(model);

Чтобы открыть Fixed-Point Tool, щелкните правой нажатие кнопки подсистему Function Fitting Neural Network и выберите Fixed-Point Tool. Кроме того, используйте интерфейс командной строки Fixed-Point Tool. Fixed Point Инструмента и интерфейс командной строки обеспечивают шаги рабочего процесса для подготовки модели для преобразования фиксированной точки, инструментирования области значений и переполнения объектов с помощью симуляции и анализа области значений, однородного исследования wordlength для набора данных фиксированной точки и дополнительной диагностики переполнения.

converter = DataTypeWorkflow.Converter(system_under_design);

Запустите симуляцию, чтобы собрать области значений

Симулируйте модель с инструментированием, чтобы собрать области значений. Это достигается нажатием кнопки «Собрать области значений» в инструменте или при помощи следующих команд.

converter.applySettingsFromShortcut('Range collection using double override');

% Save simulation run name generated as collect_ranges. This run name is used in
% later steps to propose fixed point data types.
collect_ranges = converter.CurrentRunName;
sim_out = converter.simulateSystem();

Постройте график точности регрессии перед преобразованием.

plotRegression(sim_out, baseline_output, system_under_design, 'Regression before conversion');

Предлагайте типы данных с фиксированной точкой

Информация о области значений, полученная из симуляции, может использоваться инструментом Fixed-Point Tool, чтобы предложить типы данных с фиксированной точкой для блоков в проектируемой системе. В этом примере, чтобы гарантировать, что инструменты предлагают подписанные типы данных для всех блоков подсистемы, отключите ProposeSignedness опция в ProposalSettings объект.

ps = DataTypeWorkflow.ProposalSettings;
ps.ProposeSignedness  = false;
converter.proposeDataTypes(collect_ranges, ps);

Применение предложенных типов данных

По умолчанию Fixed-Point Tool применяет все предложенные типы данных. Используйте applyDataTypes метод для применения типов данных. Если необходимо применить только подмножество предложений, в инструменте Фиксированная точка (Fixed-Point Tool) установите флажок Принять (Accept), чтобы задать предложения, которые необходимо применить.

converter.applyDataTypes(collect_ranges);

Проверьте типы данных

Предлагаемые типы должны правильно обрабатывать все возможные входы. Установите модель, чтобы симулировать с использованием вновь применяемых типов, симулируйте модель и наблюдайте, что точность регрессии нейронной сети сохраняется после преобразования с фиксированной точкой.

converter.applySettingsFromShortcut('Range collection with specified data types');
sim_out = converter.simulateSystem();

Постройте график точности регрессии модели с фиксированной точкой.

plotRegression(sim_out, baseline_output, system_under_design, 'Regression after conversion');

Замените функцию активации на оптимизированную интерполяционную таблицу

Функция активации Tanh на слое 1 может быть заменена либо интерполяционной таблицей, либо реализацией CORDIC для более эффективной генерации кода с фиксированной точкой. В этом примере мы будем использовать Lookup Table Optimizer, чтобы получить интерполяционную таблицу в качестве замены tanh. Мы будем использовать EvenPow2Spacing для более высокой скорости выполнения. Для получения дополнительной информации смотрите https://www.mathworks.com/help/fixedpoint/ref/functionapproximation.options-class.html.

block_path = [system_under_design '/Layer 1/tansig'];
p = FunctionApproximation.Problem(block_path);
p.Options.WordLengths = 16;
p.Options.BreakpointSpecification = 'EvenPow2Spacing';
solution  = p.solve;
solution.replaceWithApproximate;

|  ID |  Memory (bits) | Feasible | Table Size | Breakpoints WLs | TableData WL | BreakpointSpecification |             Error(Max,Current) | 
|   0 |             64 |        0 |          2 |              16 |           16 |         EvenPow2Spacing |     7.812500e-03, 1.000000e+00 |
|   1 |          16416 |        1 |       1024 |              16 |           16 |         EvenPow2Spacing |     7.812500e-03, 1.525879e-03 |
|   2 |           8224 |        1 |        512 |              16 |           16 |         EvenPow2Spacing |     7.812500e-03, 5.981445e-03 |

Best Solution
|  ID |  Memory (bits) | Feasible | Table Size | Breakpoints WLs | TableData WL | BreakpointSpecification |             Error(Max,Current) |
|   2 |           8224 |        1 |        512 |              16 |           16 |         EvenPow2Spacing |     7.812500e-03, 5.981445e-03 |

Проверьте точность модели после замены приближения функций.

converter.applySettingsFromShortcut(converter.ShortcutsForSelectedSystem{2});
sim_out = converter.simulateSystem;

Постройте график точности регрессии.

plotRegression(sim_out, baseline_output, system_under_design, 'Regression after function replacement');

Сгенерируйте код С

Чтобы сгенерировать код С с помощью Simulink Coder™, щелкните правой кнопкой мыши по Подсистеме Function Fitting Neural Network, выберите C/C + + Code > Build Subsystem, затем нажмите кнопку Build при запросе настраиваемых параметров. Можно также сгенерировать код с помощью следующей команды. slbuild('fxpdemo_neuralnet_regression_toconvert/Function Fitting Neural Network')