设置您的C编译器

要生成C / C ++代码，您必须访问正确配置的C / C ++编译器。Matlab Coder™定位并使用支持的安装编译器。金宝app您可以使用梅克斯-设置查看和更改默认编译器。有关更多详细信息，请参阅更改默认编译器．

假设和局限性

要生成C代码，MATLAB编码器：

关于最后的限制，考虑一下：

要解决分类的代码生成限制，请使用MATLAB列车分类模型，然后将生成的模型对象传递给Savelarnerforcoder.．这Savelarnerforcoder.函数删除了预测不需要的某些属性，然后将培训的模型保存为磁盘作为结构阵列。与模型一样，结构阵列包含用于对新观察分类的信息。

将模型保存到磁盘后，使用MATLAB功能加载模型loadlearnerforcoder.．这loadlearnerforcoder.函数加载保存的结构阵列，然后重建模型对象。在MATLAB函数中，要对观察分类，可以通过模型和预测数据集，这可以是函数的输入参数，到预测．

分类工作流的代码生成

在将图像分类器部署到设备上之前:

加载数据

加载数字贴图数据集。

加载数字贴图

图片是一个28-×28-by-3000的数组uint16整数。每个页面都是数字的光栅图像。每个元素是像素强度。相应的标签位于3000×1数字矢量中y．有关更多详细信息，请输入描述在命令行。

存储预测变量的观测数量和数量。创建一个数据分区，指定持有20％的数据。从数据分区中提取训练和测试集合索引。

RNG（1）%的再现性n =大小（图像，3）;p = numel（图像（：，：，1））;cvp = cvpartition（n，'坚持'，0.20）;Idxtrn =培训（CVP）;iDxtest =测试（CVP）;

显示来自数据的九个随机图像。

数字为了j = 1：9子图（3,3，j）选择id = dataMple（图像，1,3）;imshow（选择，[]）结尾

重新划分数据

由于原始像素强度很大，因此在培训分类模型之前，您应该将其值正常化。重新归类像素强度，以便它们在间隔中的范围[0,1]。这是，假设 $${\mathrm{P.}}_{\mathrm{一世}j}$$是像素强度 $$j$$在图像中 $$\mathrm{一世}$$．对于图像 $$\mathrm{一世}$$，使用此公式重新归类其所有像素强度：

x = double（图像）;为了i = 1：n minx = min（min（x（：，：，i）））;maxx = max（max（x（：，：，i））））;x（：，：，i）=（x（：，：，i） -  minx）/（maxx  -  minx）;结尾

或者，如果您有图像处理工具箱™许可证，则可以通过使用将图像的像素强度恢复为[0,1]mat2gray.．有关更多详细信息，请参阅mat2gray.（图像处理工具箱）．

重塑数据

对于代码生成，用于训练的预测数据必须位于数字变量表或数字矩阵的表中。

将数据重新塑造到矩阵，使得预测变量（像素强度）对应于列的列和图像（观察）。因为重塑如果按列取元素，则必须对其结果进行转置。

x = RESHAPE（x，[p，n]）';

为确保预处理数据维护图像，请参阅第一次观察X．

图imshow（Reshape（x（1，:)，sqrt（p）* [1 1]），[]，'InitialMagnification'那'合身'）

提取特征

计算机Vision Toolbox™提供了几种用于图像的特征提取技术。一种这样的技术是取向梯度（HOG）特征的直方图的提取。要了解如何使用猪功能训练ecoc模型，请参阅数字分类使用HOG功能（电脑视觉工具箱）．有关其他支持技术的详细信息，请参阅金宝app本地特征检测和提取（电脑视觉工具箱）．此示例使用重新定义的像素强度作为预测变量。

火车和优化分类模型

线性SVM模型通常应用于分类的图像数据集。但是，SVM是二进制分类器，数据集中有10个可能的类。

您可以使用以下方法创建多个二进制支持向量机学习者的多类模型fitcecoc.．fitcecoc.使用编码设计结合多个二进制学习者。默认情况下，fitcecoc.应用一个与一个设计，这指定了基于来自类成对的所有组合的观察来培训二元学习者。例如，在10个类的问题中，fitcecoc.必须培训45个二进制SVM型号。

一般情况下，当您培训分类模型时，您应该调整超级参数，直到达到满意的泛化误差。也就是说，您应该对特定的Hyper参数集进行交叉验证模型，然后比较倍增折叠错误分类率。

您可以选择自己的HyperParameter值集，或者您可以指定以实现贝叶斯优化。（有关贝叶斯优化的一般细节，请参阅贝叶斯优化工作流程。）此示例在所选的值网格上执行交叉验证。

为了交叉验证基于训练观测的支持向量机二进制学习器ECOC模型，使用5倍交叉验证。虽然预测值有相同的范围，但为了避免训练过程中的数值困难，将预测值标准化。优化了ECOC编码设计和支持向量机框约束。使用这些值的所有组合:

对于所有型号，存储5倍交叉验证的错误分类率。

编码= {'Onevsone''Onevsall'};boxconstraint = logspace（-1,2,3）;CVLOSS = NaN（Numel（编码），NumEr（BoxConstraint））;%的预先配置为了i = 1：numel（编码）为了j = 1：numel（boxconstraint）t = templatesvm（'boxconstraint'，boxconstraint（j），'标准化',真正的);CVMdl = fitcecoc (X (idxTrn:), Y (idxTrn),'学习者'，t，'kfold'5,......'编码'，编码{i}）;cvloss（i，j）= kfoldloss（cvmdl）;fprintf（'cvLoss =%f for model using %s coding and box constraint=%f\n'那......cvLoss (i, j),编码{我},boxconstraint (j))结尾结尾

CVLOSS = 0.052083对于使用Onevsone编码和框架约束= 0.055000的模型使用OneVsone编码和框架约束= 0.055000，使用OneVSONE编码和框约束= 0.050000使用OneVSALL编码和框约束进行模型的模型= 0.116667= 0.100000 CVLOSS = 0.123750用于使用OneVSALL编码和框约束= 3.162278 CVLOSS = 0.125000使用OneVSALL编码和框约束= 100.000000

确定产生最小错误分类率的超参数指数。使用培训数据列车ecoc模型。标准化培训数据并提供所观察到的最佳的高参数组合。

minCVLoss = min (cvLoss (:))

Mincvloss = 0.0500.

linidx =查找（cvloss == mincvloss）;[besti，bestj] = Ind2sub（大小（cvloss），linidx）;Bestcoding = Coding {Besti}

Bestcoding ='OneVsone'

bestBoxConstraint = boxconstraint (bestJ)

bestBoxConstraint = 100

t = templatesvm（'boxconstraint'，bestboxconstraint，'标准化',真正的);mdl = fitcecoc（x（idxtrn，:)，y（idxtrn），'学习者'，t，'编码'，最佳崇拜）;

构建测试集图像的混淆矩阵。

testImages = X (idxTest:);testImages testLabels =预测(Mdl);confusionMatrix = confusionchart (Y (idxTest), testLabels);

对角线和偏差元素分别对应于正确和错误的分类观察。MDL.似乎正确分类了大多数图像。

如果您对性能感到满意MDL.，然后您可以继续生成预测代码。否则，您可以继续调整HyperParameters。例如，您可以尝试使用不同的内核函数培训SVM学习者。

将分类模型保存到磁盘

MDL.是一个预测的分类模型，但您必须为代码生成做好准备。节省MDL.到您当前的工作目录使用Savelarnerforcoder.．

SavelAlnerForCoder（MDL，“DigitImagesECOC”）

Savelarnerforcoder.紧凑型MDL.，将其转换为结构阵列，并将其保存在Mat文件中DigitimageCoc.mat.．

定义代码生成的预测函数

定义命名的入口点函数预测地伊提克这有以下内容：

类型预测地伊提克％显示predictigigitecoc.m文件的内容

函数标签= predictdigitecoc（x）％＃codegen％predictigitecoc使用ecoc型号％predictigitecoc对图像中的数字进行分类，在文件DigitimageCoc.mat中的Compact Ecoc模型中使用％Compact Ecoc模型在x行中分类28×28图像。返回标签中的类标签。CompactMDL = LoadLearnerForCoder（'digitimageCoc.mat'）;标签=预测（compactmdl，x）;结尾

笔记：如果单击此页面右上角的按钮，请在MATLAB中打开此示例，然后MATLAB打开示例文件夹。此文件夹包含入口点函数文件。

验证预测功能是否返回相同的测试集标签预测．

pflabels = predictdigitecoc（testimages）;verifypf = isequal（pflabels，testlabels）

verifypf =逻辑1

是平等的返回逻辑1 (真的），这意味着所有输入都是相等的。这predictdigitecoc产生预期的结果。

决定在哪个环境中执行生成的代码

生成的代码可以运行：

此示例生成要在MATLAB环境中运行的MEX文件。生成这样的MEX文件允许您使用MATLAB工具在部署MATLAB环境外的函数之前测试生成的代码。在MEX函数中，您可以包括验证的代码，但不能通过将命令声明为外在使用来包括代码生成编码器.Extrinsic.（MATLAB编码器）．外部命令可以包括没有代码生成支持的功能。金宝appMEX函数中的所有内在命令在MATLAB中运行，但Codegen.不为它们生成代码。

如果计划在MATLAB环境之外部署代码，则必须生成独立的可执行文件。指定编译器选择的一种方法是使用-Config.选择Codegen.．例如，要生成静态C可执行文件，请指定-config：exe.当你打电话Codegen.．有关设置代码生成选项的更多详细信息，请参阅-Config.选择Codegen.（MATLAB编码器）．

将MATLAB函数编译为MEX文件

编译预测地伊提克使用Codegen.．指定这些选项：

Codegen.predictdigitecoc-报告-  args.{testimages}

代码成功：查看报告

Codegen.成功生成了预测函数的代码。单击您可以查看报告查看报告链接或进入打开（'codegen / mex / predictdigitecoc / html / export.mldatx'）在命令窗口。如果代码生成不成功，那么报告可以帮助您进行调试。

Codegen.创建目录PWD / Codegen / MEX / predictdigitecoc， 在哪里PWD是你的现在的工作目录。在孩子目录中，Codegen.在其他事情中生成mex文件predictigigitecoc_mex.mexw64．

验证MEX文件是否返回相同的标签预测．

mexlabels = predictdigitecoc_mex（testimages）;verifymex = isequal（mexlabels，testlabels）

verifyMEX =逻辑1

是平等的返回逻辑1 (真的），这意味着MEX文件会产生预期的结果。