Документация

Общий рабочий процесс генерации 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 помощи codegen (MATLAB Coder), и затем проверяет сгенерированный код. Функция точки входа, также известная как или первичную функцию верхнего уровня, является функцией, которую вы задаете для генерации кода. Поскольку вы не можете вызвать функцию при использовании верхнего уровня codegen, необходимо задать функцию точки входа. Все функции в функции точки входа должны поддержать генерацию кода.

Для получения дополнительной информации смотрите Общий Рабочий процесс Генерации кода.

Рабочий процесс генерации кода для объектной функции модели машинного обучения (включая predict, random, knnsearch, rangesearch, и пошаговое обучение возражает функциям),

Сохраните обученную модель при помощи saveLearnerForCoder, и задайте функцию точки входа, которая загружает сохраненную модель при помощи loadLearnerForCoder и вызывает объектную функцию. Затем сгенерируйте код для функции точки входа при помощи codegen (MATLAB Coder), и проверяет сгенерированный код. Входные параметры функции точки входа не могут быть объекты модели регрессии или классификация. Поэтому необходимо работать вокруг этого ограничения при помощи saveLearnerForCoder и loadLearnerForCoder.

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

Для получения дополнительной информации смотрите эти примеры

Можно также сгенерировать фиксированную точку код C/C++ для предсказания модели машины опорных векторов (SVM), модели дерева принятия решения и ансамбля деревьев решений для классификации и регрессии. Этот тип генерации кода требует Fixed-Point Designer™.

Генерация фиксированной точки требует дополнительного шага, который задает типы данных с фиксированной точкой переменных, требуемых для предсказания. Создайте структуру типа данных с фиксированной точкой при помощи 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 прежде, чем сгенерировать код.

Для получения дополнительной информации смотрите Генерацию Фиксированной точки для Предсказания SVM.

Рабочий процесс генерации кода для predict и update функции древовидной модели, модели SVM, линейной модели или модели классификации выходных кодов с коррекцией ошибок (ECOC) мультикласса, использующей SVM или линейных бинарных учеников

После обучения модель создайте кодер configurer при помощи learnerCoderConfigurer, сгенерируйте код при помощи generateCode, и затем проверьте сгенерированный код. Можно сконфигурировать опции генерации кода и задать атрибуты кодера параметров модели с помощью свойств объектов. После того, как вы переобучите модель с новыми данными или настройками, можно обновить параметры модели в сгенерированном коде C/C++, не имея необходимость регенерировать код. Эта функция уменьшает усилие, требуемое регенерировать, повторно развернуть, и повторно проверить код C/C++.

Для получения дополнительной информации смотрите Генерацию кода для Предсказания и Обновления Используя Кодер Конфигурера.

Предскажите метки класса Используя блок MATLAB function

Предскажите, что ответы Используя RegressionSVM предсказывают блок

Предскажите, что метки класса Используя ClassificationSVM предсказывают блок

Системные объекты для классификации и генерации кода

Предскажите метки класса Используя Stateflow

Генерация кода для классификации изображений

Распознавание деятельности человека модель Simulink для развертывания смартфона