预处理数据

加载census1994数据集。这个数据集由美国人口普查局的人口统计数据组成，用来预测一个人的年收入是否超过5万美元。

负载census1994

考虑一个模型，它根据员工的年龄、工人阶级、教育水平、资本损益和每周工作时间来预测员工的工资类别。提取感兴趣的变量并使用表保存它们。

台= adultdata (:, {“年龄”,“教育数量”,“资本收益”,“capital_loss”,“每周小时数”}）;

打印表格的摘要。

总结(台)

变量：年龄：32561x1双倍值：最小17中位数37最大90教育人数：32561x1双倍值：最小1中位数10最大16资本收益：32561x1双倍值：最小0中位数0最大9999资本损失：32561x1双倍值：最小0中位数0最大4356小时/周：32561x1双倍值：最小1中位数40最大99

变量的尺度不一致。在这种情况下，可以通过指定“标准化”的名称-值对参数fitcsvm．然而，在定点代码中添加标准化操作可能会降低精度并增加内存使用。相反，您可以手动标准化数据集，如本例所示。该示例还描述了如何在最后检查内存使用情况。

定点代码生成不支持表或类别数组。金宝app定义预测数据X使用数字矩阵，并定义类标签Y使用逻辑向量。在二进制分类问题中，逻辑向量使用内存的效率最高。

X = table2array(台);Y = adultdata。工资= =“< = 50 k”；

定义观测权值W．

w = adultdata.fnlwgt;

随着模型中支持向量数量的增加，训练模型的记忆使用也会增加。金宝app为了减少支持向量的数量，可以在训练时通过使用金宝app“BoxConstraint”命名值对参数或使用次采样的代表性数据集进行训练。请注意，增加框约束会导致更长的训练时间，使用次采样数据集会降低训练模型的准确性。在本例中，您从数据集中随机抽样1000个观察值，并使用次采样数据进行训练.

rng (“默认”)%的再现性[X_sampled，idx]=数据样本（X，1000，“替换”、假);Y_sampled = Y (idx);w_sampled = w (idx);

通过对模型的训练，得到加权平均值和标准差“重量”和“标准化”名称-值对参数。

tempMdl = fitcsvm (X_sampled Y_sampled,“重量”w_sampled,“KernelFunction”,“高斯”,“标准化”,真正的);μ= tempMdl.Mu;σ= tempMdl.Sigma;

如果您不使用“成本”,“之前”,或“重量”的名称-值对参数，然后可以通过使用zscore函数。

[standardizedX_sampled、μ、σ]= zscore (X_sampled);

使用μ和西格玛．

standardizedX = (xμ)。/σ;standardizedX_sampled = standardizedX (idx:);

您可以使用测试数据集来验证经过训练的模型，并测试插入指令的MEX函数。指定测试数据集，并使用μ和西格玛．

XTest = table2array(成人(:{“年龄”,“教育数量”,“资本收益”,“capital_loss”,“每周小时数”}));standardizedXTest = (XTest-mu)。/σ;欧美=成人。工资= =“< = 50 k”；

火车模型

训练二值支持向量机分类模型。

Mdl = fitcsvm (standardizedX_sampled Y_sampled,“重量”w_sampled,“KernelFunction”,“高斯”）;

Mdl是一个ClassificationSVM模型。

计算训练数据集和测试数据集的分类误差。

损失(Mdl standardizedX_sampled Y_sampled)

ans=0.1663

损失(Mdl standardizedXTest、欧美)

ans=0.1905

支持向量机分类器误分类了大约17%的训练数据和19%的测试数据。

保存模型

将SVM分类模型保存到文件中myMdl.mat通过使用saveLearnerForCoder．

saveLearnerForCoder（Mdl，“myMdl”）;

定义定点数据类型

使用generateLearnerDataTypeFcn生成一个函数，定义支持向量机模型预测所需变量的定点数据类型。使用所有可用的预测器数据来获得定点数据类型的真实范围。

generateLearnerDataTypeFcn (“myMdl”，[standardizedX；standardizedXTest]）

generateLearnerDataTypeFcn生成myMdl_数据类型函数。显示myMdl_数据类型.m通过使用类型函数。

类型myMdl_数据类型.m

函数T=myMdl_数据类型（dt）%myMdl_数据类型定义定点代码生成的数据类型%%T=myMdl_数据类型（dt）返回数据类型结构T，该结构为生成用于预测机器学习模型的定点C/C++代码%所需的变量定义%数据类型。T的每个字段都包含fi返回的%定点对象。输入参数dt指定定点对象的%DataType属性。将dt指定为“Fixed”（默认值）%以生成定点代码，或将dt指定为“Double”以模拟定点代码的%浮点行为。%%使用输出结构T作为入口点%函数的输入参数和%entry point函数中loadLearnerForCoder的第二个输入参数。有关更多信息，请参阅loadLearnerForCoder.%文件：myMdl_数据类型.m%统计和机器学习工具箱版本12.2（R2021b版）%由MATLAB生成，2021年9月1日14:32:31，如果nargin<1 dt=‘固定’；结束%Set定点数学设置fm=fimath（'RoundingMethod'、'Floor'、…'OverflowAction'、'Wrap'、…'ProductMode'、'FullPrecision'、…'MaxProductWordLength'，128、…'SumMode'、'FullPrecision'、…'MaxSumWordLength'，128）；%预测器数据的数据类型T.XDataType=fi（[]，真，16,11，fm，'DataType'，dt）；%输出分数的数据类型T.ScoreDataType=fi（[]，真，16,14，fm，'DataType'，dt）；%对于高斯核G（x，sv）=exp（-dist），内部变量%距离平方距离dist=（x-sv）^2的数据类型，%，其中x是观测的预测数据，sv是支持向量T.InnerProductDataType=fi（[]，真，16,6，fm，'DataType'，dt）；终止金宝app

注意:如果您点击位于此示例右上角部分的按钮，并在MATLAB®中打开示例，则MATLAB将打开示例文件夹。这个文件夹包括入口点函数文件。

这个myMdl_数据类型函数使用默认字长(16)，并根据每个变量的默认字长(16)和安全裕度(10%)提出最大分数长度以避免溢出。

创建一个结构T通过使用定义定点数据类型myMdl_数据类型．

T=myMdl_数据类型(“固定的”)

T=结构体字段:XDataType: [0 x0嵌入。fi] ScoreDataType: [0x0 embedded.fi] InnerProductDataType: [0x0 embedded.fi]

结构T方法所需的已命名变量和内部变量的字段预测函数。每个字段包含一个定点对象，由fi(定点设计师)．例如，显示预测器数据的定点数据类型属性。

T.XDataType

ans=[]数据类型模式：固定点：二进制点缩放符号性：符号字长：16分形长度：11舍入方法：楼层溢出操作：换行ProductMode:FullPrecision MaxProductWordLength:128总和模式：FullPrecision MaxSumWordLength:128

有关生成的函数和结构的更多详细信息，请参阅数据类型函数．

定义入口点函数

定义一个入口点函数名为myFixedPointPredict它的作用如下:

函数(标签,分数)= myFixedPointPredict (X, T)% # codegenMdl=loadLearnerForCoder(“myMdl”,“数据类型”T);(标签,分数)=预测(Mdl X);结束

（可选）优化定点数据类型

使用以下方法优化定点数据类型buildInstrumentedMex和showInstrumentationResults.记录所有命名变量和内部变量的最小值和最大值，以便使用buildInstrumentedMex．使用查看检测结果showInstrumentationResults；然后，根据结果调优变量的定点数据类型属性。

指定入口点函数的输入参数类型

的输入参数类型myFixedPointPredict使用2 × 1单元阵列。

ARGS=单元（2,1）；

第一个输入参数是预测器数据XDataType结构域T指定预测器数据的定点数据类型。转换X到中指定的类型T.XDataType通过使用铸造(定点设计师)函数。

X_fx =投(standardizedX,“喜欢”, T.XDataType);

测试数据集与训练数据集的大小不相同。指定ARGS{1}通过使用coder.typeof（MATLAB编码器）以便MEX函数可以接受大小可变的输入。

ARGS {1} = coder.typeof (X_fx、大小(standardizedX) [1,0]);

第二个输入参数是结构T，它必须是一个编译时常量。使用编码器。常数（MATLAB编码器）指定T作为代码生成期间的常量。

ARGS {2} = coder.Constant (T);

创建插入指令的MEX函数

使用创建插入指令的MEX函数buildInstrumentedMex(定点设计师)．

buildInstrumentedMexmyFixedPointPredict-argsARGS- omyFixedPointPredict\u仪表化-直方图编码器

代码生成成功。

测试仪表MEX功能

运行检测MEX函数以记录检测结果。

[labels_fx1，scores_fx1]=myFixedPointPredict_instrumented（X_fx，T）；

可以多次运行插入指令的MEX函数，以记录来自各种测试数据集的结果standardizedXTest．

Xtest_fx =投(standardizedXTest,“喜欢”, T.XDataType);[labels_fx1_test, scores_fx1_test] = myFixedPointPredict_instrumented (Xtest_fx T);

查看插入指令的MEX函数的结果

调用showInstrumentationResults(定点设计师)打开包含检测结果的报告。查看模拟最小值和最大值、建议的分数长度、当前范围的百分比以及整数状态。

显示仪器结果(“myFixedPointPredict_instrumented”)

中建议的单词长度和分数长度X和在?XDataType在结构中T．

通过单击查看变量的直方图在变量标签。

该窗口包含直方图和带有变量信息的对话框面板。有关此窗口的信息，请参阅数字打字机(定点设计师)参考页面。

使用以下命令清除结果：clearInstrumentationResults(定点设计师)．

clearInstrumentationResults (“myFixedPointPredict_instrumented”)

验证插入仪表的MEX功能

比较预测和myFixedPointPredict\u仪表化．

[标签，分数]=预测（Mdl，standardizedX）；验证标签1=isequal（标签，标签1）

verify_labels1 =必然的0

等质量返回逻辑1 (true) if标签和labels_fx1相等。如果标签不相等，可以按如下方式计算分类错误标签的百分比。

diff_labels1 =总和(比较字符串(字符串(labels_fx1),字符串(标签))= = 0)/长度(labels_fx1) * 100

diff_labels1 = 0.1228

找出分数输出之间相对差异的最大值。

diff_scores1 = max (abs (scores_fx1.double(: 1)分数(:1))。/分数(:1)))

diff_scores1 = 58.6019

调整定点数据类型

如果记录的结果显示溢出或下溢，或者希望提高生成代码的精度，则可以调优定点数据类型。的方法来修改定点数据类型myMdl_数据类型函数并创建新结构，然后使用新结构生成代码。更新myMdl_数据类型函数，您可以在函数文件(myMdl_数据类型.m）.或者，您可以使用generateLearnerDataTypeFcn并指定较长的单词长度，如本例所示。有关详细信息，请参见提示．

生成一个新的数据类型函数。指定单词长度为32和名称myMdl_数据类型2为生成的函数。

generateLearnerDataTypeFcn (“myMdl”，[standardizedX；standardizedXTest]，“字”32岁的“OutputFunctionName”,“myMdl_datatype2”)

显示myMdl_datatype2.m．

类型myMdl_datatype2.m

函数T = myMdl_datatype2 (dt) % myMdl_datatype2为定点定义数据类型生成代码% % T = myMdl_datatype2 (dt)返回的数据类型结构T,它定义了%所需的变量的数据类型生成定点C / c++代码%机器学习模型的预测。T的每个字段都包含一个fi返回的%定点对象。输入参数dt指定定点对象的% DataType属性。指定dt为'Fixed'(默认)%用于定点代码生成，或指定dt为'Double'以模拟定点代码的%浮点行为。使用输出结构T作为入口点%函数的输入参数和%入口点函数中loadLearnerForCoder的第二个输入参数。有关更多信息，请参见loadLearnerForCoder。%文件:myMdl_datatype2。m % Statistics and Machine Learning Toolbox Version 12.2 (Release R2021b) % Generated by MATLAB, 01-Sep-2021 14:33:50 if nargin < 1 dt = 'Fixed';fm = fimath('RoundingMethod'，'Floor'，…‘OverflowAction’,‘包装’,…… 'ProductMode','FullPrecision', ... 'MaxProductWordLength',128, ... 'SumMode','FullPrecision', ... 'MaxSumWordLength',128); % Data type for predictor data T.XDataType = fi([],true,32,27,fm,'DataType',dt); % Data type for output score T.ScoreDataType = fi([],true,32,30,fm,'DataType',dt); % Internal variables % Data type of the squared distance dist = (x-sv)^2 for the Gaussian kernel G(x,sv) = exp(-dist), % where x is the predictor data for an observation and sv is a support vector T.InnerProductDataType = fi([],true,32,22,fm,'DataType',dt); end

这个myMdl_数据类型2函数指定字长32，并建议最大分数长度以避免溢出。

创建一个结构T2通过使用定义定点数据类型myMdl_数据类型2．

T2=myMdl_数据类型2(“固定的”)

T2=结构体字段:XDataType: [0 x0嵌入。fi] ScoreDataType: [0x0 embedded.fi] InnerProductDataType: [0x0 embedded.fi]

创建一个新的插入指令的MEX函数，记录结果，并使用buildInstrumentedMex和showInstrumentationResults．

X_fx2=铸件（标准化X，“喜欢”, T2.XDataType);buildInstrumentedMexmyFixedPointPredict-args{X_fx2，编码器常数（T2）}- omyFixedPointPredict_instrumented2-直方图编码器

代码生成成功。

[labels_fx2，scores_fx2]=myFixedPointPredict_instrumented2（X_fx2，T2）；显示仪器结果(“myFixedPointPredict\u instrumented2”)

查看仪器报告，然后清除结果。

clearInstrumentationResults (“myFixedPointPredict\u instrumented2”)

验证myFixedPointPredict_instrumented2．

验证\u labels2=isequal（标签，标签\u fx2）

verify_labels2 =必然的0

diff_labels2=sum（strcmp（string（labels_fx2），string（labels））=0）/长度（labels_fx2）*100

diff_labels2 = 0.0031

差异分数2=最大值（abs（（分数fx2.双（：，1）-分数（：，1））。/分数（：，1）））

diff_scores2 = 2.7971

错误分类标签的百分比diff_labels2得分值的相对差异差分2小于使用默认字长（16）生成的上一个MEX函数的值。

有关通过检测MATLAB®代码优化定点数据类型的更多详细信息，请参阅参考页buildInstrumentedMex(定点设计师),showInstrumentationResults(定点设计师),clearInstrumentationResults(定点设计师)，以及例子使用Min/Max Instrumentation设置数据类型(定点设计师)．

生成代码

使用为入口点函数生成代码codegen。使用以下命令指定固定大小的输入，而不是为预测器数据集指定可变大小的输入coder.typeof. 如果您知道传递给生成代码的预测器数据集的大小，那么为了代码的简单性，最好为固定大小的输入生成代码。

codegenmyFixedPointPredict-args{coder.typeof（X_fx2[1,5]，[0,0]），coder.Constant（T2）}

代码生成成功。

codegen生成MEX函数myFixedPointPredict_mex与平台相关的扩展。

验证生成的代码

你可以验证myFixedPointPredict_mex函数的方法与验证仪表化的MEX函数的方法相同。看到验证插入仪表的MEX功能详情请参阅第节。

[labels_sampled, scores_sampled] =预测(Mdl standardizedX_sampled);n =大小(standardizedX_sampled, 1);labels_fx = true (n, 1);scores_fx = 0 (n, 2);对于i=1:n[labels_fx（i），scores_fx（i，：）]=myFixedPointPredict_mex（X_fx2（idx（i），：），T2）；结束验证标签是否相等（标签取样，标签fx）

verify_labels =必然的1.

diff_labels =总和(比较字符串(字符串(labels_fx),字符串(labels_sampled)) = = 0) /长度(labels_fx) * 100

diff_labels = 0

diff_scores = max (abs (scores_fx (: 1) -scores_sampled(: 1))。/ scores_sampled (: 1)))

diff_scores = 0.0642

内存使用

一个好的做法是在训练模型之前手动标准化预测数据“标准化”名称-值对参数，然后生成的定点代码包括标准化操作，这可能导致精度损失和内存使用增加。

如果生成静态库，则可以使用代码生成报告查找生成代码的内存使用情况。具体说明-配置：lib要生成静态库，请使用-报告选项生成代码生成报告。

codegenmyFixedPointPredict-args{coder.typeof（X_fx2[1,5]，[0,0]），coder.Constant（T2）}- omyFixedPointPredict_库-配置：lib-报告

在总结在代码生成报告的选项卡上，单击代码度量.函数信息部分显示累计堆栈大小。

找出训练过的模型的记忆用途“标准化”、“真实”，您可以运行以下代码。

Mdl = fitcsvm (X_sampled Y_sampled,“重量”w_sampled,“KernelFunction”,“高斯”,“标准化”，对）；saveLearnerForCoder（Mdl，“myMdl”)；生成学习数据类型FCN(“myMdl”[X;XTest),“字”32岁的“OutputFunctionName”,“myMdl\u标准化\u数据类型”)T3=myMdl\u标准化\u数据类型(“固定的”); X_fx3=铸件（X_取样，“喜欢”, T3.XDataType);codegenmyFixedPointPredict-args{coder.typeof (X_fx3 [1,5], [0]), coder.Constant (T3)}- omyFixedPointPredict\u Standardized\u lib-配置：lib-报告