数据进行预处理

加载census1994数据集。该数据集由美国人口普查局的人口统计数据组成，用于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，该模型根据员工的年龄、工人阶级、教育水平、资本收益和损失以及每周工作小时数来预测他们的工资类别。提取感兴趣的变量并使用表保存它们。

TBL =成人数据(:，{“年龄”，“education_num”，“capital_gain”，“capital_loss”，“hours_per_week”})；

打印表的摘要。

总结(台)

变量:age: 32561x1 double值:Min 17 Median 37 Max 90 education_num: 32561x1 double值:Min 1 Median 10 Max 16 capital_gain: 32561x1 double值:Min 0 Median 0 Max 99999 capital_loss: 32561x1 double值:Min 0 Median 0 Max 4356 hours_per_week: 32561x1 double值:Min 1 Median 40 Max 99

变量的尺度不一致。在这种情况下，可以通过指定标准化数据集来训练模型“标准化”的名称-值对参数fitcsvm．但是，将标准化操作添加到定点代码中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结束时检查内存使用情况。

定点代码生成不支持表或分类数组。万博1manbetx定义预测数据X使用数值矩阵，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(tbl);Y = adultdata。工资= =“< = 50 k”；

定义观察权重w．

W = adultdata.fnlwgt;

训练模型的内存使用随着模型中支持向量数量的增加而增加。万博1manbetx为减少支持向量的数量，可以在训练时使用万博1manbetx“BoxConstraint”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，并且使用下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取1000个观测值，并使用次采样数据进行训练。

rng (“默认”）%用于再现性[X_sampled,idx] = datasample(X,1000，“替换”、假);Y_sampled = Y(idx);W_sampled = w(idx);

找到加权均值和标准差通过训练模型使用“重量”而且“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);mu = tempmll . mu;sigma = tempMdl.Sigma;

如果您不使用“成本”，“之前”,或“重量”参数的名称-值对参数进行训练，则可以使用zscore函数。

[standarzedx_sampled,mu,sigma] = zscore(X_sampled);

通过使用使预测器数据标准化μ而且σ．

标准化x = (X-mu)./sigma;标准化x_sampled =标准化x (idx，:);

您可以使用测试数据集来验证训练过的模型并测试已检测的MEX函数。指定测试数据集，并通过使用将测试预测器数据标准化μ而且σ．

XTest = table2array(adulttest(:，{“年龄”，“education_num”，“capital_gain”，“capital_loss”，“hours_per_week”}));标准化xtest = (XTest-mu)./sigma;YTest =成人测试。工资= =“< = 50 k”；

火车模型

训练二叉支持向量机分类模型。

Mdl = fitcsvm(standarzedx_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

SVM分类器错误分类了大约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，该函数定义预测支持向量机模型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实际范围。

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

generateLearnerDataTypeFcn生成myMdl_datatype函数。显示的内容myMdl_datatype.m通过使用类型函数。

类型myMdl_datatype.m

function T = myMdl_datatype(dt) % myMdl_datatype为定点代码生成定义数据类型% % T = myMdl_datatype(dt)返回数据类型结构T，它为生成用于机器学习模型预测的定点C/ c++代码%所需的变量定义%数据类型。T的每个字段包含fi返回的%定点对象。输入参数dt指定定点对象的% DataType属性。指定dt为'Fixed'(默认)%用于生成定点代码，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，请参阅loadLearnerForCoder。%文件:myMdl_datatype。m % Statistics and Machine Learning Toolbox Version 12.5 (Release R2023a) %由MATLAB生成，03-Mar-2023 10:47:22 if nargin < 1 dt = 'Fixed';end %设置定点数学设置fm = fimath(' round method '，'Floor'，…‘OverflowAction’,‘包装’,…… 'ProductMode','FullPrecision', ... 'MaxProductWordLength',128, ... 'SumMode','FullPrecision', ... 'MaxSumWordLength',128); % Data type for predictor data 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

的myMdl_datatype函数使用默认单词长度(16)，并根据每个变量的默认单词长度(16)和安全裕度(10%)提出避免溢出的最大分数长度。

创建一个结构T通过使用定义定点数据类型myMdl_datatype．

T = myMdl_datatype(“固定”）

T =带字段的结构:XDataType: [0x0嵌入式。fi] ScoreDataType: [0x0 embedded.fi] InnerProductDataType: [0x0 embedded.fi]

结构T控件所需的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，由返回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 = [] DataTypeMode: Fixed-point: binary point scaling signdness: Signed WordLength: 16 FractionLength: 11 RoundingMethod: Floor OverflowAction: Wrap ProductMode: FullPrecision MaxProductWordLength: 128 SumMode: FullPrecision MaxSumWordLength: 128

如果使用非默认的分数转换函数，例如doublelogit，分对数,或symmetriclogit-对于训练过的分类器，可以更新结构T包含一个近似于分数转换函数的查找表。有关示例，请参见使用查找表近似分数转换．

有关生成的函数和结构的详细信息，请参见数据类型．

定义入口点函数

定义名为myFixedPointPredict它的作用如下:

函数[label,score] = myFixedPointPredict(X,T)% # codegenMdl = loadLearnerForCoder(“myMdl”，“数据类型”T);[label,score] = predict(Mdl,X);结束

注意:如果单击位于本示例右上方部分的按钮并在MATLAB®中打开示例，则MATLAB将打开示例文件夹。此文件夹包括入口点函数文件。

(可选)优化定点数据类型

通过使用优化定点数据类型buildInstrumentedMex而且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单元格数组。

ARGS = cell(2,1);

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

X_fx = cast(standarzedx，“喜欢”, T.XDataType);

测试数据集与训练数据集的大小不同。指定ARGS {1}通过使用coder.typeof(MATLAB编码器)这样，MEX函数就可以接受可变大小的输入。

ARGS{1} = code .typeof(X_fx,size(standarzedx)，[1,0]);

第二个输入参数是结构T，它必须是一个编译时常数。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} = code . constant (T);

创建仪表MEX功能

通过使用创建一个仪表MEX函数buildInstrumentedMex(定点设计师)．

buildInstrumentedMexmyFixedPointPredictarg游戏arg游戏- omyFixedPointPredict_instrumented柱状图编码器

代码生成成功。

测试仪表MEX功能

运行instrumented MEX函数记录仪器检测结果。

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

您可以多次运行仪表MEX函数，以记录来自各种测试数据集的结果。使用standardizedXTest．

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

查看仪表MEX功能的结果

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”）

中提出的字长和分数长度X和里面的一样吗XDataType在结构上T．

单击，查看变量的柱状图在变量选项卡。

该窗口包含直方图、关于潜在溢出和下溢出的信息以及变量的数据类型。

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

clearInstrumentationResults (“myFixedPointPredict_instrumented”）

验证仪表MEX功能

比较下面的输出预测而且myFixedPointPredict_instrumented．

[labels,scores] = predict(Mdl, standarzedx);Verify_labels1 = isequal(标签，labels_fx1)

verify_labels1 =逻辑0

isequal如果返回逻辑1 (true)标签而且labels_fx1是相等的。如果标签不相等，计算两者之间标签不匹配的百分比标签而且labels_fx1．

Diff_labels1 = sum(strcmp(string(labels_fx1)，string(labels))==0)/length(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((双(scores_fx1(: 1)分数(:1))。/分数(:1)))

Diff_scores1 = 54.6741

调优定点数据类型

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。类来修改定点数据类型myMdl_datatype函数并创建一个新结构，然后使用新结构生成代码。要更新myMdl_datatype函数时，可以手动修改函数文件中的定点数据类型(myMdl_datatype.m)．或者，您可以使用generateLearnerDataTypeFcn并指定更长的单词长度，如本例所示。详情请参见提示．

生成一个新的数据类型函数。指定单词长度32和名称myMdl_datatype2对于生成的函数。

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

显示的内容myMdl_datatype2.m．

类型myMdl_datatype2.m

function T = myMdl_datatype2(dt) % myMdl_datatype2定义用于定点代码生成的数据类型% % T = myMdl_datatype2(dt)返回数据类型结构T，它为生成用于机器学习模型预测的定点C/ c++代码%所需的变量定义%数据类型。T的每个字段包含fi返回的%定点对象。输入参数dt指定定点对象的% DataType属性。指定dt为'Fixed'(默认)%用于生成定点代码，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，请参阅loadLearnerForCoder。%文件:myMdl_datatype2。m % Statistics and Machine Learning Toolbox Version 12.5 (Release R2023a) %由MATLAB生成，03-Mar-2023 10:48:40 if nargin < 1 dt = 'Fixed';end %设置定点数学设置fm = fimath(' round method '，'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

的myMdl_datatype2函数指定单词长度32，并提出避免溢出的最大分数长度。

创建一个结构T2通过使用定义定点数据类型myMdl_datatype2．

T2 = myMdl_datatype2(“固定”）

T2 =带字段的结构:XDataType: [0x0嵌入式。fi] ScoreDataType: [0x0 embedded.fi] InnerProductDataType: [0x0 embedded.fi]

创建一个新的仪表MEX函数，记录结果，并通过使用查看结果buildInstrumentedMex而且showInstrumentationResults．

X_fx2 = cast(standarzedx，“喜欢”, T2.XDataType);buildInstrumentedMexmyFixedPointPredictarg游戏{X_fx2, coder.Constant (T2)}- omyFixedPointPredict_instrumented2柱状图编码器

代码生成成功。

[labels_fx2,scores_fx2] = myFixedPointPredict_instrumented2(X_fx2,T2);showInstrumentationResults (“myFixedPointPredict_instrumented2”）

检查仪器报告，然后清除结果。

clearInstrumentationResults (“myFixedPointPredict_instrumented2”）

验证myFixedPointPredict_instrumented2．

Verify_labels2 = isequal(标签，labels_fx2)

verify_labels2 =逻辑0

Diff_labels2 = sum(strcmp(string(labels_fx2)，string(labels))==0)/length(labels_fx2)*100

Diff_labels2 = 0.0031

diff_scores2 = max (abs((双(scores_fx2(: 1)分数(:1))。/分数(:1)))

Diff_scores2 = 2.2859

不匹配标签的百分比diff_labels2以及分数值的相对差异diff_scores2比之前使用默认字长(16)生成的MEX函数的值要小。

有关通过测试MATLAB®代码优化定点数据类型的更多详细信息，请参阅参考页面buildInstrumentedMex(定点设计师)，showInstrumentationResults(定点设计师),clearInstrumentationResults(定点设计师)，以及例子使用最小/最大检测设置数据类型(定点设计师)．

生成代码

生成入口点函数的代码codegen．不是为预测器数据集指定变量大小的输入，而是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。

codegenmyFixedPointPredictarg游戏{coder.typeof (X_fx2 [1,5], [0]), coder.Constant (T2)}

代码生成成功。

codegen生成MEX函数myFixedPointPredict_mex使用依赖于平台的扩展。

验证生成的代码

您可以验证myFixedPointPredict_mex功能，以相同的方式验证仪表的MEX功能。看到验证仪表MEX功能部分的详细信息。

[labels_sampled,scores_sampled] = predict(Mdl, standarzedx_sampled);n = size(standarzedx_sampling,1);Labels_fx = true(n,1);Scores_fx = 0 (n,2);为i = 1: n [labels_fx(我),scores_fx(我,:)]= myFixedPointPredict_mex (X_fx2 (idx(我):),T2);结束Verify_labels = isequal(labels_sampled,labels_fx)

verify_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((双(scores_fx (: 1) -scores_sampled(: 1))。/ scores_sampled (: 1)))

Diff_scores = 0.0644

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器数据。如果你使用“标准化”而不是名称-值对参数，则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来查找生成代码的内存使用情况。指定配置:自由方法生成静态库，并使用报告选项以生成代码生成报告。

codegenmyFixedPointPredictarg游戏{coder.typeof (X_fx2 [1,5], [0]), coder.Constant (T2)}- omyFixedPointPredict_lib配置:自由报告

在总结页签的代码生成报告，单击代码度量．函数信息部分显示了累积的堆栈大小。

找出训练过的模型的内存使用情况“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,“KernelFunction”，“高斯”，“标准化”,真正的);saveLearnerForCoder (Mdl“myMdl”);generateLearnerDataTypeFcn (“myMdl”[X;XTest),“字”32岁的“OutputFunctionName”，“myMdl_standardize_datatype”T3 = mymdl_standarze_datatype (“固定”);X_fx3 = cast(x_sampling，“喜欢”, T3.XDataType);codegenmyFixedPointPredictarg游戏{coder.typeof (X_fx3 [1,5], [0]), coder.Constant (T3)}- omyFixedPointPredict_standardize_lib配置:自由报告