重建模型对象保存模型的代码生成
生成C / c++代码的对象的函数(包括机器学习模型预测
,随机
,knnsearch
,rangesearch
和增量学习函数),使用saveLearnerForCoder
,loadLearnerForCoder
,codegen
(MATLAB编码器)。机器学习模型,训练后保存模型通过使用saveLearnerForCoder
。定义一个入口点函数,通过使用加载模型loadLearnerForCoder
并调用一个对象的功能。然后使用codegen
或者是MATLAB®编码器™应用程序来生成C / c++代码。需要生成C / c++代码MATLAB编码器。
函数支持单精度C / c++代码生成、金宝app使用saveLearnerForCoder
,loadLearnerForCoder
,codegen
(MATLAB编码器);指定名称的参数“数据类型”、“单”
当你打电话给loadLearnerForCoder
函数。
这个流程图显示对象的代码生成工作流功能的机器学习模型。使用loadLearnerForCoder
突出显示的步骤。
定点C / c++代码生成需要一个额外的步骤,定义了定点预测所需的变量的数据类型。创建一个定点数据类型结构通过使用生成的数据类型的功能generateLearnerDataTypeFcn
,使用的结构作为输入参数loadLearnerForCoder
在一个入口点函数。需要生成定点C / c++代码MATLAB编码器和定点设计师™。
这个流程图显示了定点代码生成的工作流预测
机器学习模型的函数。使用loadLearnerForCoder
突出显示的步骤。
重新构建一个分类模型、回归模型、或最近邻搜索器(Mdl
= loadLearnerForCoder (文件名
)Mdl
)从模型存储在MATLAB格式化二进制文件(MAT-file)命名文件名
。你必须创建文件名
文件的使用saveLearnerForCoder
。
返回一个定点存储在版本的模型Mdl
= loadLearnerForCoder (文件名
“数据类型”,T
)文件名
。结构T
包含字段,指定定点使用所需的变量的数据类型预测
的函数模型。创建T
使用生成的函数generateLearnerDataTypeFcn
。
使用这种语法在一个入口点函数,和使用codegen
生成定点入口点函数的代码。您可以使用该语法只有在生成代码。
单精度代码生成高斯过程回归(GPR)模型,通过使用创建的模型fitrgp (X, Y,“标准化”,1)
。
saveLearnerForCoder
准备一个机器学习模型(Mdl
代码生成。该函数删除一些不必要的属性。
对于一个拥有相应的紧凑的模型模型,saveLearnerForCoder
应用适当的函数紧凑的
函数模型之前拯救它。
了一个模型,没有相应的契约模型,如ClassificationKNN
,ClassificationLinear
,RegressionLinear
,ExhaustiveSearcher
,KDTreeSearcher
,saveLearnerForCoder
函数删除属性如hyperparameter优化属性,培训解决信息等等。
loadLearnerForCoder
负荷模型所救saveLearnerForCoder
。
使用一个编码器配置创建的learnerCoderConfigurer
这个表中列出的模型。
模型 | 编码器配置对象 |
---|---|
二叉决策树的多类分类 | ClassificationTreeCoderConfigurer |
看到下面成了和二进制分类的支持向量机 | ClassificationSVMCoderConfigurer |
线性模型的二进制分类 | ClassificationLinearCoderConfigurer |
多类支持向量机模型和线性模型 | ClassificationECOCCoderConfigurer |
二叉决策树的回归 | RegressionTreeCoderConfigurer |
金宝app支持向量机(SVM)回归 | RegressionSVMCoderConfigurer |
线性回归 | RegressionLinearCoderConfigurer |
训练后机器学习模型,创建一个编码器的配置模型。使用对象的功能和属性配置配置代码生成选项和生成的代码预测
和更新
模型的功能。如果您生成代码使用编码器配置,您可以更新模型参数生成的代码,而不必重新生成代码。有关详细信息,请参见代码生成的预测和更新使用编码器配置。
generateLearnerDataTypeFcn
|saveLearnerForCoder
|codegen
(MATLAB编码器)