为定点代码生成定义数据类型的Generate函数
为预测
一个机器学习模型的功能,使用generateLearnerDataTypeFcn
,saveLearnerForCoder
,loadLearnerForCoder
和codegen
(MATLAB编码器).
训练后的机器学习模型,保存模型使用saveLearnerForCoder
.
通过使用生成的函数创建定义定点数据类型的结构generateLearnerDataTypeFcn
.
定义一个入口点函数,该函数通过使用loadLearnerForCoder
和结构,然后调用预测
函数。
使用生成代码codegen
,然后验证生成的代码。
的generateLearnerDataTypeFcn
函数需要Fixed-Point Designer™,而生成固定点C/ c++代码需要MATLAB®编码员™和定点设计师。
的定点代码生成工作流预测
机器学习模型的功能。使用generateLearnerDataTypeFcn
为突出显示的步骤。
要提高生成的定点代码的精度,可以调整定点数据类型。通过更新数据类型函数(myMdl_datatype
),创建新结构,然后使用新结构重新生成代码。你可以更新myMdl_datatype
以两种方式之一起作用:
在生成的定点代码中,与相应的浮点代码的精度相比,大量操作或较大的变量范围可能会导致精度损失。在训练SVM模型时,请记住以下提示,以避免生成的定点代码中的精度损失:
数据标准化(“标准化”
)—为了避免支持向量机模型中支持向量的模型属性值溢出,可以标准化预测器数据。金宝app而不是使用“标准化”
名称-值对参数训练模型时,在将数据传递给拟合函数和预测
函数,以便定点代码不包含用于标准化的操作。
核函数(“内核函数”
) -使用高斯核或线性核优于使用多项式核。多项式核比其他核需要更高的计算复杂度,并且多项式核函数的输出是无界的。
内核规模(“内核尺度”
)—如果值为,则使用内核规模需要额外的操作“内核尺度”
不是1。
对于一类分类问题的预测,如果预测的类得分值有很大的范围,那么预测的精度可能会降低。
loadLearnerForCoder
|saveLearnerForCoder
|buildInstrumentedMex
(定点设计器)|显示仪器结果
(定点设计器)|codegen
(MATLAB编码器)|fi
(定点设计器)