从保存的模型中重建模型对象以便生成代码
为机器学习模型的对象功能生成C / C ++代码(包括预测
,随机
,knnsearch
,rangesearch.
,增量学习功能),使用Savelarnerforcoder.
,loadlearnerforcoder.
,和Codegen.
(MATLAB编码器).在培训机器学习模型后,通过使用保存模型Savelarnerforcoder.
.定义通过使用加载模型的入口点函数loadlearnerforcoder.
并调用一个对象函数。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++代码生成的函金宝app数,请使用Savelarnerforcoder.
,loadlearnerforcoder.
,和Codegen.
(MATLAB编码器);指定名称值参数'dataType','single'
当你呼叫loadlearnerforcoder.
函数。
该流程图显示了机器学习模型的对象功能的代码生成工作流程。使用loadlearnerforcoder.
为突出显示的步骤。
定点C / C ++代码生成需要一个附加步骤,该步骤定义预测所需的变量的定点数据类型。使用由生成的数据类型功能创建固定点数据类型结构generatelearnerdatatypefcn.
,并使用该结构作为输入参数loadlearnerforcoder.
在入口点函数中。生成定点C/ c++代码需要Matlab编码器和固定点设计器™。
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.
为突出显示的步骤。
重建分类模型、回归模型或最近邻搜索器(MDL.
= loadlearnerforcoder(文件名
)MDL.
)从存储在Matlab格式化的二进制文件(MAT文件)中的模型中命名文件名
.您必须创建文件名
文件使用Savelarnerforcoder.
.
返回存储在的模型的固定点版本MDL.
= loadlearnerforcoder(文件名
,'数据类型',T
)文件名
.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。创造T
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Gaussian进程回归(GPR)模型的单精度代码生成,通过使用创建模型FITRGP(X,Y,'标准化',1)
.
Savelarnerforcoder.
准备机器学习模型(MDL.
)用于代码生成。该函数删除了一些不必要的属性。
对于具有相应紧凑型号的模型,该模型Savelarnerforcoder.
功能适用适当的袖珍的
保存之前的模型功能。
对于没有相应紧凑模型的模型,例如ClassificationKnn.
,分类线性
,回归线性
,令人疲惫的
,和kdtreesearcher.
,Savelarnerforcoder.
函数删除诸如Quand参数优化属性,培训求解器信息等的属性。
loadlearnerforcoder.
加载保存的模型Savelarnerforcoder.
.
使用编码器配置程序Learnercoderconfigurer
对于该表中列出的模型。
模型 | 编码器配置程序对象 |
---|---|
多包分类的二进制决策树 | classificationtreecoderconfigurer |
支持向量机用于一类和二值分类 | classificationsvmcoderconfigurer |
二元分类的线性模型 | ClassificeLcoderConfigurer. |
用于SVM和线性型号的多键模型 | classificationcoccoderconfigurer |
回归的二进制决策树 | 回归的TreecoderConfigurer. |
金宝app支持向量机(SVM)回归 | 回归vmcoderconfigurer |
线性回归 | RegressionLinearCoderConfigurer |
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器生成代码,则可以在生成的代码中更新模型参数,而不必重新生成代码。有关详细信息,请参见使用编码器配置程序进行预测和更新的代码生成.
generatelearnerdatatypefcn.
|Savelarnerforcoder.
|Codegen.
(MATLAB编码器)