数据进行预处理

加载人口普查1994.数据集。该数据集包括来自美国人口普查局的人口统计数据，用于预测个人每年赚50,000美元。

加载人口普查1994.

考虑一个模型，预测员工的薪酬类别，鉴于其年龄，工人阶级，教育水平，资本收益和损失以及每周工作时间的数量。提取感兴趣的变量并使用表保存它们。

台= adultdata (:, {“年龄”那'教育_num'那'资本收益'那'capital_loss'那'每周几小时'}）;

打印表的摘要。

摘要（TBL）

变量：年龄：32561x1双重值：min 17中位数37 max 90教育：32561x1双重值：min 1中位数10 max 16 capital_gain：32561x1双重值：min 0中位0 max 99999 capical_loss：32561x1双值：min 0中位0 max 4356HOUDE_PER_WEEK：32561x1双倍值：MIN 1中位数40 MAX 99

变量的尺度不一致。在这种情况下，您可以使用标准化数据来培训模型来指定标准化的数据'标准化'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。

固定点代码生成不支持表或分类阵列。万博1manbetx所以，定义预测器数据X使用数字矩阵，并定义类标签y使用逻辑向量。逻辑向量在二进制分类问题中最有效地使用内存。

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。万博1manbetx为了减少支持向量的数量，可以在训练时通过使用万博1manbetx“BoxConstraint”名称 - 值对参数或使用用于培训的分布代表数据。请注意，增加框约束可以导致较长的训练时间，并且使用限制数据集可以降低训练模型的准确性。在此示例中，您可以从数据集中随机示例，并使用用于训练的限制数据。

rng (“默认”）%的再现性[x_sampled，idx] = datasample（x，1000，'代替'，错误的）;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,'骨箱'那“高斯”那'标准化',真正的);μ= tempMdl.Mu;σ= tempMdl.Sigma;

如果你不使用'成本'那“之前”,或'重量'的名称-值对参数，然后可以通过使用ZScore.函数。

[标准化x_sampled，mu，sigma] = zscore（x_sampled）;

通过使用标准化预测器数据亩和Sigma.．

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，并测试仪器化的MEX函数。使用指定测试数据集并标准化测试预测器数据亩和Sigma.．

xtest = table2array（AdutherTest（：，{“年龄”那'教育_num'那'资本收益'那'capital_loss'那'每周几小时'}));standardizedXTest = (XTest-mu)。/σ;欧美=成人。工资= =“< = 50 k”；

火车模型

培训二进制SVM分类模型。

Mdl = fitcsvm (standardizedX_sampled Y_sampled,'重量'w_sampled,'骨箱'那“高斯”）;

MDL.是A.ClassificationSVM模型。

计算培训数据集的分类错误和测试数据集。

损失（MDL，标准化x_sampled，y_sampled）

ans = 0.1663

损失（MDL，标准化标准，ytest）

ans = 0.1905

SVM分类器错误分类约17％的培训数据和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Savelarnerforcoder.．

SavelAlnerForCoder（MDL，'mymdl'）;

定义固定点数据类型

采用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'，[标准化x;标准化标准]）

generatelearnerdatatypefcn.生成mymdl_datatype.函数。显示mymdl_datatype.m.通过使用类型函数。

类型mymdl_datatype.m.

函数t = mymdl_datatype（dt）％mymdl_datatype定义了固定点代码生成％t = mymdl_datatype（dt）的数据类型返回数据类型结构t，该数据类型结构t，其定义生成固定点C / C ++所需的变量的％数据类型代码％以预测机器学习模型。每个T的每个字段都包含FI返回的％固定点对象。输入参数DT指定“固定点”对象的％DataType属性。将DT指定为“固定”（默认）为固定点代码生成或指定DT为“双”以模拟固定点代码的％浮点行为。%%使用输出结构t作为入口点％函数的输入参数和％入口点函数中的loadlearnerforcoder的第二个输入参数。有关更多信息，请参阅LoadLearnerForCoder。％文件：mymdl_datatype.m％统计和机器学习工具箱版本12.1（发布r2021a）％由matlab生成，23-feb-2021 19:10:54如果nargin <1 dt ='固定';END％SET定点数学设置FM = FIMATH（'roundingMethod'，'floor'，...'overflowation'，'wrap'，...'productmode'，'fullprecision'，...'maxproductwordlength'，128，...'summode'，'fourprecision'，...'maxsumwordlength'，128）;预测器数据的％数据类型t.xdatatype = fi（[]，true，16,11，fm，'datatype'，dt）; % Data type for output score T.ScoreDataType = fi([],true,16,14,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,16,6,fm,'DataType',dt); end

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mymdl_datatype.函数使用默认字长度（16）并提出最大分数长度，以避免每个变量的默认字长度（16）和安全距（10％）避免溢出。

创建一个结构T.通过使用定义固定点数据类型mymdl_datatype.．

t = mymdl_datatype（'固定的'）

t =结构与字段：XDatatype：[0x0 Embedded.fi] scoringatatype：[0x0嵌入式.fi] InnerProductDattype：[0x0嵌入式.FI]

结构T.包括运行所需的名称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，显示预测器数据的固定点数据类型属性。

t.xdatatype.

ans = [] DataTypeMode: Fixed-point: binary point scaling signature: Signed WordLength: 16 FractionLength: 11 RoundingMethod: Floor OverflowAction: Wrap ProductMode: FullPrecision MaxProductWordLength: 128 SumMode: FullPrecision MaxSumWordLength: 128

有关生成的函数和结构的更多详细信息，请参阅数据类型功能．

定义入口点函数

定义命名的入口点函数myFixedPointPredict这有以下内容：

功能(标签,分数)= myFixedPointPredict (X, T)% # codegenmdl = loadlearnerforcoder（'mymdl'那“数据类型”T);(标签,分数)=预测(Mdl X);结尾

（可选）优化固定点数据类型

通过使用优化固定点数据类型buildinstrumentedmex.和showInstrumentationResults．通过使用记录所有命名和内部变量的最小值和最大值buildinstrumentedmex.．使用仪器使用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个单元格阵列。

args = cell（2,1）;

第一个输入参数是预测器数据。这xdatatype.结构领域T.指定预测器数据的定点数据类型。转换X到指定的类型t.xdatatype.通过使用投(定点设计师)函数。

x_fx =施法（标准化x，'像', T.XDataType);

测试数据集不具有与训练数据集相同的大小。指定args {1}通过使用Coder.typeof.（MATLAB编码器）因此MEX功能可以采用可变大小的输入。

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。采用编码器.Constant.（MATLAB编码器）指定T.在代码生成期间作为常量。

args {2} =编码器.Constant（t）;

Create Instrumented MEX函数

通过使用创建仪器化的MEX功能buildinstrumentedmex.(定点设计师)．

buildinstrumentedmex.myFixedPointPredict-  args.args.- omyfixedpointpredict_instumented.- 犹太图编码器

代码生成成功。

测试仪器型MEX功能

运行仪器化的MEX功能以记录仪器结果。

[labels_fx1，scors_fx1] = myfixedpointpredict_instrumented（x_fx，t）;

您可以多次运行录音MEX功能以从各种测试数据集记录结果。使用仪器化的MEX功能使用标准化的东西．

Xtest_fx =投(standardizedXTest,'像', T.XDataType);[labels_fx1_test, scores_fx1_test] = myFixedPointPredict_instrumented (Xtest_fx T);

查看仪表型MEX功能的结果

调用showInstrumentationResults(定点设计师)打开包含测量结果的报告。查看模拟的最小值和最大值，建议的分数长度，当前范围的百分比，和整数状态。

showinstrumentationresults（'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这一点变量标签。

窗口包含具有有关变量信息的直方图和对话面板。有关此窗口的信息，请参阅numerictyPescope.(定点设计师)参考页面。

通过使用清除结果clearInstrumentationResults.(定点设计师)．

clearInstrumentationResults（'myfixedpointpredict_instrumented'）

验证仪器函数

比较预测和myfixedpointpredict_instumented.．

[标签，分数] =预测（MDL，标准化x）;验证_labels1 = isequal（标签，标签_fx1）

verify_labels1 =逻辑0.

是平等的返回逻辑1 (true) if标签和labels_fx1是平等的。如果标签不等于，则可以根据以下计算错误分类标签的百分比。

diff_labels1 = sum（strcmp（strcmp（labels_fx1），string（标签））== 0）/长度（标签_fx1）* 100

diff_labels1 = 0.1228

找出分数输出之间的最大相对差异。

diff_scores1 = max（abs（（scors_fx1.double（：，1）-scores（：，1））./ scores（：1））））

diff_scores1 = 83.0713.

调谐定点数据类型

如果录制的结果显示溢出或下溢，或者您想提高生成的代码的精度，则可以调整固定点数据类型。通过更新来修改固定点数据类型mymdl_datatype.函数并创建新结构，然后使用新结构生成代码。更新mymdl_datatype.函数，您可以在函数文件(mymdl_datatype.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_datatype2.为生成的函数。

generateLearnerDataTypeFcn ('mymdl'，[标准化x;标准化标准，“字”32岁的'OutputFunctionName'那“myMdl_datatype2”）

显示myMdl_datatype2.m．

类型myMdl_datatype2.m

函数t = mymdl_datatype2（dt）％mymdl_datatype2定义了固定点代码生成的数据类型，生成％％t = mymdl_datatype2（dt）返回数据类型结构t，它为生成固定点C / C ++所需的变量定义％数据类型代码％以预测机器学习模型。每个T的每个字段都包含FI返回的％固定点对象。输入参数DT指定“固定点”对象的％DataType属性。将DT指定为“固定”（默认）为固定点代码生成或指定DT为“双”以模拟固定点代码的％浮点行为。%%使用输出结构t作为入口点％函数的输入参数和％入口点函数中的loadlearnerforcoder的第二个输入参数。有关更多信息，请参阅LoadLearnerForCoder。％文件：mymdl_datatype2.m％统计和机器学习工具箱版本12.1（发布r2021a）％由matlab生成，23-feb-2021 19:12:22如果nargin <1 dt ='固定';END％SET定点数学设置FM = FIMATH（'roundingMethod'，'floor'，...'overflowation'，'wrap'，...'productmode'，'fullprecision'，...'maxproductwordlength'，128，...'summode'，'fourprecision'，...'maxsumwordlength'，128）;预测器数据的％数据类型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mymdl_datatype2.函数指定字长32并提出最大分数长度以避免溢出。

创建一个结构T2通过使用定义固定点数据类型mymdl_datatype2.．

t2 = mymdl_datatype2（'固定的'）

T2 =结构与字段：XDatatype：[0x0 Embedded.fi] scoringatatype：[0x0嵌入式.fi] InnerProductDattype：[0x0嵌入式.FI]

创建一个新的仪表函数，记录结果，并通过使用查看结果buildinstrumentedmex.和showInstrumentationResults．

x_fx2 =施放（标准化x，'像', T2.XDataType);buildinstrumentedmex.myFixedPointPredict-  args.{x_fx2，coder.constant（t2）}- omyfixedpointpredict_instrumented2- 犹太图编码器

代码生成成功。

[labels_fx2, scores_fx2] = myFixedPointPredict_instrumented2 (X_fx2, T2);showinstrumentationresults（'myfixedpointpredict_instrumented2'）

查看仪器报告，然后清除结果。

clearInstrumentationResults（'myfixedpointpredict_instrumented2'）

核实myfixedpointpredict_instrumented2．

验证_labels2 = isequal（标签，labels_fx2）

verify_labels2 =逻辑0.

diff_labels2 = sum（strcmp（string（labels_fx2），string（标签））== 0）/ length（labels_fx2）* 100

diff_labels2 = 0.0031

diff_scores2 = max（abs（（scores_fx2.double（：，1）-scores（：，1））./ scores（：1）））

diff_scores2 = 2.0602

错误分类标签的百分比diff_labels2.得分值的相对差异diff_scores2.小于使用默认字长度生成的先前MEX函数（16）的那些。

有关通过仪器仪表仪器策略优化固定点数据类型的详细信息，请参阅参考页面buildinstrumentedmex.(定点设计师)那showInstrumentationResults(定点设计师)， 和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

使用生成入口点函数的代码codegen．而不是指定用于预测器数据集的可变大小输入，请通过使用指定固定大小的输入Coder.typeof.．如果您知道传递给生成代码的预测器数据集的大小，那么为固定大小的输入生成代码对于代码的简单性更可取。

codegenmyFixedPointPredict-  args.{coder.typeof（x_fx2，[1,5]，[0,0]），编码器.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以与您验证所录制的MEX功能的方式相同。看看验证仪器函数部分细节。

[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);为了i = 1：n [labels_fx（i），scors_fx（i，:)] = myfixedpointpredict_mex（x_fx2（idx（i），:)，t2）;结尾验证_labels = isequal（Labels_sampled，labels_fx）

验证_labels =.逻辑1

diff_labels = sum（strcmp（string（labels_fx），string（labels_sampled））== 0）/ length（labels_fx）* 100

diff_labels = 0

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

diff_scores = 0.0638.

记忆使用

良好做法是在培训模型之前手动标准化预测器数据。如果你使用'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找到生成的代码的内存使用。指定-config：lib要生成静态库，请使用-报告选择代码生成报告的选项。

codegenmyFixedPointPredict-  args.{coder.typeof（x_fx2，[1,5]，[0,0]），编码器.Constant（T2）}- omyfixedpointpredict_lib.-config：lib-报告

在总结代码生成报告的选项卡，单击代码指标．函数信息部分显示累积的堆栈大小。

找出训练过的模型的记忆用途“标准化”,“真正的”，您可以运行以下代码。

Mdl = fitcsvm (X_sampled Y_sampled,'重量'w_sampled,'骨箱'那“高斯”那'标准化',真正的);SavelAlnerForCoder（MDL，'mymdl'）;generateLearnerDataTypeFcn ('mymdl'，[X;xtest]，“字”32岁的'OutputFunctionName'那'mymdl_standardize_datatype'）t3 = mymdl_standardize_datatype（'固定的'）;x_fx3 = cast（x_sampled，'像', T3.XDataType);codegenmyFixedPointPredict-  args.{coder.typeof (X_fx3 [1,5], [0]), coder.Constant (T3)}- omyfixedpointpredict_standardize_lib.-config：lib-报告