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saveLearnerForCoder
那loadlearnerforcoder.
,Codegen.
(MATLAB编码器). 训练机器学习模型后,使用saveLearnerForCoder
.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.
或者是马铃薯®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saveLearnerForCoder
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.
函数。
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。使用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
. 您必须创建文档名称
文件的使用saveLearnerForCoder
.
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.
为入口点函数生成定点代码。只有在生成代码时才能使用此语法。
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)
.
saveLearnerForCoder
准备一个机器学习模型(Mdl
)以生成代码。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saveLearnerForCoder
函数应用适当的紧凑的
函数,然后保存模型。
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ExhaustiveSearcher
,KDTreeSearcher
, 这saveLearnerForCoder
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saveLearnerForCoder
.
使用由。创建的编码器配置器LearnerCoder配置器
对于本表中列出的模型。
模型 | 编码器配置程序对象 |
---|---|
用于多类分类的二叉决策树 | ClassificationTreeCoderConfigurer |
单级和二进制分类的SVM | classificationsvmcoderconfigurer |
二进制分类的线性模型 | ClassificationLinearCoderConfigurer |
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支持向量机回归 | RegressionSVMCoderConfigurer |
线性回归 | RegentionLinearcoderConfigurer |
训练机器学习模型后,创建模型的编码器配置器。使用配置器的对象函数和属性来配置代码生成选项并为预测
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
|saveLearnerForCoder
|Codegen.
(MATLAB编码器)