MATLAB®编码器™从支持代码生成的Statistics和Machine Learning Toolbox™函数中生成可读且可移植的C和c++代码。金宝app您可以将生成的代码作为源代码、静态库或动态库集成到项目中。您还可以在MATLAB环境中使用生成的代码来加速MATLAB代码的计算密集型部分。
生成C/ c++代码需要MATLAB编码器具有以下局限性:
使用。生成代码时,不能在顶层调用任何函数codegen
(MATLAB编码器).函数中调用函数入口点函数,然后从入口点函数生成代码。入口点函数,又称顶级或主函数,是为代码生成而定义的函数。入口点函数中的所有函数必须支持代码生成。金宝app
的MATLAB编码器对于代码生成,统计学和机器学习工具箱也有限制。有关详细信息,请参见支持C/ c++代码生成的MATLAB语言特性金宝app(MATLAB编码器).
统计和机器学习工具箱中的代码生成不支持稀疏矩阵。金宝app
有关每个函数的代码生成使用说明和限制,请参阅函数参考页面上的代码生成部分。
有关支持代码生成的Statistics和Machine Learning Toolbox函数的列表,请参见金宝app函数列表(C/ c++代码生成).
您可以通过几种方式为Statistics和Machine Learning Toolbox函数生成C/ c++代码。
通用代码生成工作流,用于不属于机器学习模型的目标函数的函数
定义一个入口点函数调用支持代码生成的函数时,为入口点函数生成C/ c++代码金宝appcodegen
(MATLAB编码器),然后验证生成的代码。入口点函数,又称顶级或主函数,是为代码生成而定义的函数。因为你不能在顶层使用codegen
,则必须定义一个入口点函数。入口点函数中的所有函数必须支持代码生成。金宝app
有关详细信息,请参见通用代码生成工作流.
机器学习模型的对象函数的代码生成工作流(包括预测
,随机
,knnsearch
,rangesearch
、增量学习对象函数)
通过使用保存一个训练过的模型saveLearnerForCoder
,并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
(MATLAB编码器),并验证生成的代码。入口点函数的输入参数不能是分类或回归模型对象。因此,您需要通过使用saveLearnerForCoder
和loadLearnerForCoder
.
您还可以生成单精度的C/ c++代码,用于预测用于分类和回归的机器学习模型。对于单精度代码生成,指定名称-值对参数“数据类型”、“单”
作为附加的输入loadLearnerForCoder
函数。
有关详细信息,请参见这些示例
您还可以生成定点C/ c++代码,用于预测支持向量机(SVM)模型、决策树模型以及用于分类和回归的决策树集成。金宝app这种类型的代码生成需要Fixed-Point Designer™。
定点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
,并将该结构用作的输入参数loadLearnerForCoder
在入口点函数中。您还可以在生成代码之前优化定点数据类型。
有关详细信息,请参见支持向量机预测的定点代码生成.
的代码生成工作流预测
和更新
使用支持向量机或线性二进制学习器的树模型、支持向量机模型、线性模型或多类纠错输出码(ECOC)分类模型的函数
在训练模型之后,通过使用learnerCoderConfigurer
,使用生成代码generateCode
,然后验证生成的代码。您可以配置代码生成选项,并使用对象属性指定模型参数的编码器属性。在使用新数据或设置重新训练模型之后,您可以在生成的C/ c++代码中更新模型参数,而无需重新生成代码。该特性减少了重新生成、重新部署和重新验证C/ c++代码所需的工作。
有关详细信息,请参见使用编码器配置器生成预测和更新的代码.
将机器学习模型的预测集成到Simulink中金宝app®,使用MATLAB函数块或统计和机器学习工具箱库中的Simulink块。金宝app有关详细信息,请参阅以下示例:
Statistics和Machine Learning Toolbox函数的代码生成也可以与System object™和statflow等其他工具箱一起使用®,如以下例子所述:
有关代码生成的更多应用,请参阅以下示例:
codegen
(MATLAB编码器)|saveLearnerForCoder
|loadLearnerForCoder
|learnerCoderConfigurer
|generateLearnerDataTypeFcn