Документация

Рабочий процесс генерации общего кода для функций, которые не являются объектными функциями моделей машинного обучения

Задайте функцию точки входа, которая вызывает функцию, которая поддерживает генерацию кода, сгенерируйте код C/C + + для функции точки входа при помощиcodegen (MATLAB Coder), а затем проверьте сгенерированный код. Функция точки входа, также известная как функция верхнего уровня или первичная функция, является функцией, которую вы задаете для генерации кода. Потому что вы не можете вызвать какую-либо функцию на верхнем уровне, используя codegenнеобходимо задать функцию точки входа. Все функции в функции точки входа должны поддерживать генерацию кода.

Для получения дополнительной информации смотрите Рабочий процесс генерации общего кода.

Рабочий процесс генерации кода для объектной функции модели машинного обучения (включая predict, random, knnsearch, rangesearch, и функции объекта инкрементного обучения)

Сохраните обученную модель при помощи saveLearnerForCoder, и задайте функцию точки входа, которая загружает сохраненную модель при помощи loadLearnerForCoder и вызывает функцию объекта. Затем сгенерируйте код для функции точки входа при помощи codegen (MATLAB Coder) и проверьте сгенерированный код. Входными параметрами функции точки входа не могут быть объекты модели классификации или регрессии. Поэтому необходимо обойти это ограничение при помощи saveLearnerForCoder и loadLearnerForCoder.

Можно также сгенерировать одноточный код C/C + + для предсказания моделей машинного обучения для классификации и регрессии. Для генерации кода с одной точностью задайте аргумент пары "имя-значение" 'Datatype','single' как дополнительный вход к loadLearnerForCoder функция.

Для получения дополнительной информации смотрите эти примеры

Можно также сгенерировать код C/C + + с фиксированной точкой для предсказания модели машины опорных векторов (SVM), модель дерева решений и ансамбль деревьев решений для классификации и регрессии. Для генерации кода этого типа требуется Fixed-Point Designer™.

Генерация кода с фиксированной точкой требует дополнительного шага, который задает типы данных с фиксированной точкой переменных, необходимых для предсказания. Создайте структуру типа данных с фиксированной точкой с помощью функции типа данных, сгенерированной generateLearnerDataTypeFcn, и используйте структуру в качестве входного параметра loadLearnerForCoder в функции точки входа. Можно также оптимизировать типы данных с фиксированной точкой перед генерацией кода.

Для получения дополнительной информации смотрите Генерацию кода с фиксированной точкой для предсказания SVM.

Рабочий процесс генерации кода для predict и update функции древовидной модели, модели SVM, линейной модели или многоклассовой модели классификации выходных кодов с коррекцией ошибок (ECOC) с использованием SVM или линейных двоичных учащихся

Создайте конфигуратор кодера при помощи learnerCoderConfigurer, сгенерируйте код при помощи generateCode, а затем проверьте сгенерированный код. Можно сконфигурировать опции генерации кода и задать атрибуты кодера параметров модели с помощью свойств объекта. После того, как вы переобучаете модель с новыми данными или настройками, можно обновить параметры модели в сгенерированном коде C/C + +, не регенерируя код. Эта функция уменьшает усилия, необходимые для регенерации, перенаправления и повторной проверки кода C/C + +.

Для получения дополнительной информации смотрите Генерация кода для предсказания и Обновление с использованием Coder Configurer.

Предсказание меток классов с помощью блока MATLAB function

Предсказание откликов с использованием блока RegressionSVM

Предсказание меток классов с помощью блока ClassificationSVM Predict

Системные объекты для классификации и генерации кода

Предсказание меток классов с помощью Stateflow

Генерация кода для классификации изображений

Модель Human Распознавания активности Simulink для развертывания смартфонов