主要内容

部署浅神经网络函数

训练网络的部署函数和工具

这个函数genFunction允许独立的MATLAB®训练过的浅神经网络的函数。生成的代码包含模拟神经网络所需的所有信息，包括设置、权重和偏置值、模块函数和计算。

生成的MATLAB函数可用于检查特定浅层神经网络执行的精确模拟计算，并使使用各种MATLAB部署产品和工具更容易用于多种目的部署神经网络。下载188bet金宝搏

这个函数genFunction由神经网络拟合，神经网络模式识别，神经网络聚类而且神经网络时间序列应用程序。有关这些应用程序的信息，请参见用浅神经网络拟合数据，用浅神经网络分类模式，具有自组织映射的群集数据,浅神经网络时间序列预测与建模．

这些应用程序生成的综合脚本包括一个部署网络的示例genFunction．

为应用程序部署生成神经网络函数

这个函数genFunction生成一个独立的MATLAB函数，用于模拟任何训练过的浅神经网络，并为部署做好准备。这可能对以下几个任务有用:

  • 记录神经网络的输入-输出转换，作为人工重新实现网络的计算模板

  • 使用MATLAB函数块创建Simulink金宝app®块

  • 使用MATLAB编译器™:

    • 生成独立的可执行文件

    • 生成Excel®插件

  • 使用MATLAB编译SDK™:

    • 生成C/ c++库

    • 生成。com组件

    • 生成Java®组件

    • 生成.NET组件

  • 使用MATLAB编码器™:

    • 生成C/ c++代码

    • 生成高效的mex函数

genFunction(净,“路径”)获取神经网络和文件路径，并生成一个独立的MATLAB函数文件filename.m．

genFunction(…,“MatrixOnly”,“是的”)重写默认的单元格/矩阵符号，而是生成一个只使用兼容的矩阵参数的函数MATLAB编码器工具。对于静态网络，矩阵列被解释为独立的样本。对于动态网络，矩阵列被解释为一系列时间步长。默认值为“不”．

genFunction(___,‘ShowLinks’,‘不’)禁用显示生成的帮助和源代码的链接的默认行为。默认为“是的”．

这里训练一个静态网络并计算它的输出。

[x, t] = bodyfat_dataset;bodyfatNet =前馈网(10);bodyfatNet = train(bodyfatNet, x, t);y = bodyfatNet(x);

下面的代码生成、测试并显示具有与神经网络对象相同接口的MATLAB函数。

genFunction (bodyfatNet“bodyfatFcn”）;y2 = bodyfatFcn(x);精确度2 = max(abs(y - y2))编辑bodyfatFcn

方法编译新函数MATLAB编译器用于共享/动态链接库的工具(需要许可证)世纪挑战集团．

世纪挑战集团- w自由:libBodyfat- t链接:自由bodyfatFcn

下面的代码生成另一个版本的MATLAB函数，只支持矩阵参数(不支持单元格数组)。金宝app该函数已经过测试。函数生成一个mex -函数MATLAB编码器工具codegen(需要许可证)，这也是测试。

genFunction (bodyfatNet“bodyfatFcn”，“MatrixOnly”，“是的”）;y3 = bodyfatFcn(x);accuracy3 = max(abs(y - y3)) x1Type = code .typeof(double(0)， [13, Inf]);输入1的编码器类型codegenbodyfatFcn.m配置:墨西哥人- obodyfatCodeGenarg游戏{x1Type}y4 = bodyfatCodeGen(x);精度4 = max(abs(y - y4))

这里训练一个动态网络并计算其输出。

[x,t] = maglev_dataset;maglevNet = narxnet(1:2,1:2,10);

然后生成MATLAB函数并进行测试。然后使用该函数创建共享/动态链接的库世纪挑战集团．

genFunction (maglevNet“maglevFcn”）;Accuracy2 = max(abs(cell2mat(y)-cell2mat(y2))- w自由:libMaglev- t链接:自由maglevFcn

下面的代码生成另一个版本的MATLAB函数，只支持矩阵参数(不支持单元格数组)。金宝app该函数已经过测试。函数生成一个mex -函数MATLAB编码器工具codegen，也进行了测试。

genFunction (maglevNet“maglevFcn”，“MatrixOnly”，“是的”）;x1 = cell2mat(X(1，:));将每个输入转换为矩阵x2 = cell2mat(X(2，:));将每个输入状态转换为矩阵[y3,xf1,xf2] = maglevFcn(x1,x2,xi1,xi2);accuracy3 = max(abs(cell2mat(y)-y3)) x1Type = code .typeof(double(0)，[1 Inf]);输入1的编码器类型x2Type = code .typeof(double(0)，[1 Inf]);输入的编码器类型xi1Type = code .typeof(double(0)，[1 2]);输入1状态的编码器类型xi2Type = code .typeof(double(0)，[1 2]);%编码器输入类型2个状态codegenmaglevFcn.m配置:墨西哥人- omaglevNetCodeGen.．.arg游戏{x1Type x2Type xi2Type[y4,xf1,xf2] = maglevNetCodeGen(x1,x2,xi1,xi2);Dynamic_codegen_accuracy = max(abs(cell2mat(y)-y4))

生成Simulin金宝appk图

有关模拟浅层神经网络和使用Simulink工具部署训练好的神经网络的信息，请参见金宝app部署浅神经网络Simulink图金宝app．

相关的话题