从已保存的模型重建模型对象进行代码生成
为机器学习模型的目标函数生成C/ c++代码(包括预测
那随机的
那knnsearch.
那rangesearch.
,增量学习函数),使用Savelarnerforcoder.
那loadlearnerforcoder.
,Codegen.
(MATLAB编码器).训练一个机器学习模型后,使用保存该模型Savelarnerforcoder.
.定义一个入口点函数,通过使用loadlearnerforcoder.
并调用对象函数。然后使用Codegen.
或者马铃薯®编码器™应用程序生成C / C ++代码。生成C / C ++代码需要Matlab编码器.
对于支持单精度C / C ++代码生成金宝app的功能,使用Savelarnerforcoder.
那loadlearnerforcoder.
,Codegen.
(MATLAB编码器);指定名称值参数'dataType','single'
当你打电话的时候loadlearnerforcoder.
功能。
该流程图展示了机器学习模型对象函数的代码生成流程。用loadlearnerforcoder.
对于突出的步骤。
定点C/ c++代码生成需要一个额外的步骤,定义预测所需变量的定点数据类型。通过使用生成的数据类型函数创建定点数据类型结构generatelearnerdatatypefcn.
,并使用该结构作为输入参数loadlearnerforcoder.
在一个入学点函数中。生成固定点C / C ++代码需要Matlab编码器和定点设计师™。
此流程图显示了固定点代码生成工作流程预测
机器学习模型的功能。用loadlearnerforcoder.
对于突出的步骤。
重建分类模型,回归模型或最近的邻居搜索器(Mdl
= loadlearnerforcoder(文档名称
)Mdl
)从存储在Matlab格式化的二进制文件(MAT文件)中的模型中命名文档名称
.你必须创造文档名称
文件的使用Savelarnerforcoder.
.
返回存储在的模型的固定点版本Mdl
= loadlearnerforcoder(文档名称
,'数据类型',T.
)文档名称
.结构T.
包含指定使用该变量所需的变量的固定点数据类型的字段预测
模型的功能。创建T.
使用由此生成的函数generatelearnerdatatypefcn.
.
在入口点函数中使用此语法,并使用Codegen.
为入学点函数生成定点代码。您只能在生成代码时使用此语法。
对于高斯过程回归(GPR)模型的单精度代码生成,使用Fitrgp(x,y,'标准化',1)
.
Savelarnerforcoder.
准备一个机器学习模型(Mdl
)用于代码生成。该函数删除了一些不必要的属性。
对于具有相应紧凑模型的模型,则Savelarnerforcoder.
功能适用适当的袖珍的
保存之前的模型功能。
对于没有相应的紧凑型模型的模型,例如ClassificationKnn.
那ClassificationLinear
那回归线性
那令人疲惫的
,KDTreeSearcher
, 这Savelarnerforcoder.
函数删除了超参数优化属性、训练求解器信息等属性。
loadlearnerforcoder.
加载保存的模型Savelarnerforcoder.
.
使用由。创建的编码器配置器learnerCoderConfigurer
对于本表中列出的模型。
模型 | 编码器配置程序对象 |
---|---|
多包分类的二进制决策树 | ClassificationTreeCoderConfigurer |
单级和二进制分类的SVM | ClassificationSVMCoderConfigurer |
二进制分类的线性模型 | ClassificeLcoderConfigurer. |
用于SVM和线性型号的多键模型 | classificationcoccoderconfigurer |
二叉决策树的回归 | RegressionTreeCoderConfigurer |
金宝app支持向量机(SVM)回归 | RegressionSVMCoderConfigurer |
线性回归 | RegentionLinearcoderConfigurer |
在培训机器学习模型后,创建模型的编码器配置。使用配置程序的对象函数和属性来配置代码生成选项并为其生成代码预测
和更新
模型的功能。如果使用编码器配置程序生成代码,则可以在生成的代码中更新模型参数,而无需重新生成代码。有关详细信息,请参阅使用编码器配置器生成预测和更新的代码.
generatelearnerdatatypefcn.
|Savelarnerforcoder.
|Codegen.
(MATLAB编码器)