loadLearnerForCoder
语法
描述
生成C / c++代码的对象的函数(包括机器学习模型预测
,随机
,knnsearch
,rangesearch
,isanomaly
和增量学习函数),使用saveLearnerForCoder
,loadLearnerForCoder
,codegen
(MATLAB编码器)。机器学习模型,训练后保存模型通过使用saveLearnerForCoder
。定义一个入口点函数,通过使用加载模型loadLearnerForCoder
并调用一个对象的功能。然后使用codegen
或者是MATLAB®编码器™应用程序来生成C / c++代码。需要生成C / c++代码MATLAB编码器。
函数支持单精度C / c++代码生成、金宝app使用saveLearnerForCoder
,loadLearnerForCoder
,codegen
(MATLAB编码器);指定名称的参数“数据类型”、“单”
当你打电话给loadLearnerForCoder
函数。
这个流程图显示对象的代码生成工作流功能的机器学习模型。使用loadLearnerForCoder
突出显示的步骤。
定点C / c++代码生成需要一个额外的步骤,定义了定点预测所需的变量的数据类型。创建一个定点数据类型结构通过使用生成的数据类型的功能generateLearnerDataTypeFcn
,使用的结构作为输入参数loadLearnerForCoder
在一个入口点函数。需要生成定点C / c++代码MATLAB编码器和定点设计师™。
这个流程图显示了定点代码生成的工作流预测
机器学习模型的函数。使用loadLearnerForCoder
突出显示的步骤。
重新构建一个模型(Mdl
= loadLearnerForCoder (文件名
)Mdl
)从模型存储在MATLAB格式化二进制文件(MAT-file)命名文件名
。你必须创建文件名
文件的使用saveLearnerForCoder
。
返回一个定点存储在版本的模型Mdl
= loadLearnerForCoder (文件名
“数据类型”,T
)文件名
。结构T
包含字段,指定定点使用所需的变量的数据类型预测
的函数模型。创建T
使用生成的函数generateLearnerDataTypeFcn
。
使用这种语法在一个入口点函数,和使用codegen
生成定点入口点函数的代码。您可以使用该语法只有在生成代码。
例子
输入参数
输出参数
限制
当
Mdl
是CompactLinearModel
- - - - - -假设你训练一个线性模型通过使用fitlm
并指定“RobustOpts”
作为一个结构和一个匿名函数处理RobustWgtFun
字段中,使用saveLearnerForCoder
保存模型,然后使用loadLearnerForCoder
加载模型。在这种情况下,loadLearnerForCoder
不能恢复健壮的属性到MATLAB的工作区中。然而,loadLearnerForCoder
可以加载模型在一个入口点函数在编译时代码生成。当
Mdl
是CompactClassificationSVM
或CompactClassificationECOC
- - - - - -如果你使用saveLearnerForCoder
保存模型具备预测后验概率,和使用loadLearnerForCoder
加载模型loadLearnerForCoder
不能恢复ScoreTransform
属性到MATLAB的工作区中。然而,loadLearnerForCoder
可以加载模型,包括ScoreTransform
属性,在一个入口点函数在编译时代码生成。
提示
为单精度代码生成高斯过程回归(GPR)模型和支持向量机(SVM)模型,使用标准化的数据通过指定金宝app
“标准化”,真的
当你训练模型。
算法
saveLearnerForCoder
准备一个机器学习模型(Mdl
代码生成。该函数删除一些不必要的属性。
对于一个拥有相应的紧凑的模型模型,
saveLearnerForCoder
应用适当的函数紧凑的
函数模型之前拯救它。了一个模型,没有相应的契约模型,如
ClassificationKNN
,ClassificationKernel
,ClassificationLinear
,RegressionKernel
,RegressionLinear
,ExhaustiveSearcher
,KDTreeSearcher
,IsolationForest
,saveLearnerForCoder
函数删除属性如hyperparameter优化属性,培训解决信息等等。
loadLearnerForCoder
负荷模型所救saveLearnerForCoder
。
选择功能
使用一个编码器配置创建的
learnerCoderConfigurer
这个表中列出的模型。模型 编码器配置对象 二叉决策树的多类分类 ClassificationTreeCoderConfigurer
看到下面成了和二进制分类的支持向量机 ClassificationSVMCoderConfigurer
线性模型的二进制分类 ClassificationLinearCoderConfigurer
多类支持向量机模型和线性模型 ClassificationECOCCoderConfigurer
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 RegressionLinearCoderConfigurer
训练后机器学习模型,创建一个编码器的配置模型。使用对象的功能和属性配置配置代码生成选项和生成的代码
预测
和更新
模型的功能。如果您生成代码使用编码器配置,您可以更新模型参数生成的代码,而不必重新生成代码。有关详细信息,请参见代码生成的预测和更新使用编码器配置。
扩展功能
版本历史
介绍了R2019b