设置您的C编译器

生成C / C ++代码，你必须能够访问到被正确配置C / C ++编译器。MATLAB编码器定位和使用的支持，安装编译器。万博1manbetx您可以使用墨西哥人-建立要查看和更改默认的编译器。有关详细信息，请参阅改变默认的编译器（MATLAB）。

假设和限制

要生成C代码，MATLAB编码器：

关于最后一个限制，考虑以下因素：

要绕开分类的代码生成限制，可以使用MATLAB训练分类模型，然后将生成的模型对象传递给saveLearnerForCoder。该saveLearnerForCoder函数删除不需要的用于预测的一些属性，然后保存该训练的模型，以磁盘作为结构阵列。喜欢的模型，结构数组包含用于新的观测分类的信息。

将模型保存到磁盘后，使用loadLearnerForCoder。该loadLearnerForCoder函数加载保存的结构数组，然后重新构造模型对象。在MATLAB函数中，要对观测值进行分类，可以通过模型和预测器数据集，这些数据集可以是函数的输入参数预测。

代码生成的分类工作流程

在将图像分类器部署到设备之前:

加载数据

加载digitimages数据集。

加载digitimages

图片是28由-28-通过-3000阵列的UINT16整数。每一页都是一个数字的栅格图像。每个元素都是一个像素强度。对应的标签在3000乘1的数字向量中Y。有关更多细节，请输入描述在命令行。

店内观察和预测变量的数数。创建数据分区指定保留出的数据的20％。提取训练和测试，从数据分区索引集。

rng (1)％用于重现n =大小(图片3);p =元素个数(图片(:,:1));本量利= cvpartition (n,“坚持”,0.20);idxTrn =培训(cvp);idxTest =测试(cvp);

显示从数据9个随机图像。

数字对于J = 1：9副区（3,3，j）的selectImage = datasample（图像，1,3）;imshow（selectImage，[]）结束

重新调整数据

由于原始像素强度差异很大，你应该训练分类模型前，规范自己的值。使得它们的范围在区间[0,1]重新缩放的像素强度。也就是说，假设 $$p_{我j}$$是像素强度 $$j$$在图像 $$我$$。对于图像 $$我$$度，将所有使用此公式的像素强度的：

X =双(图片);对于I = 1：n的其minX =分钟（分钟（X（：，：，i））的）;maxX的= MAX（最大（X（：，：，i））的）;X（：，：，1）=（X（：，：，i）的 - 其minX）/（maxX的 - 其minX）;结束

可替换地，如果有一个图像处理工具箱™许可，那么就可以图像，以[0,1]有效地重新调整像素强度通过使用mat2gray。有关详细信息，请参阅mat2gray。

重塑数据

用于代码生成，用于训练所述预测器的数据必须是数字变量或一个数字矩阵的表。

数据重塑到基质中，使得预测器变量（像素强度）对应于列和图像（观察值），以行。因为重塑需要的元素逐列，就必须调换其结果。

X =重塑(X, (p, n));

为了确保预处理数据保持图像，绘制在第一观察X。

图imshow(重塑(X (1:), sqrt (p) * [1]), [],'InitialMagnification',“健康”)

提取的特征

计算机视觉工具箱™提供了几种特征提取技术的图像。一种这样的技术是面向梯度（HOG）的特征直方图的提取。要了解如何培养使用HOG特征的ECOC型号，请参阅使用HOG特征的数字分类(计算机视觉工具箱)。有关其他受支持技术的详细信息，请参见万博1manbetx局部特征检测与提取(计算机视觉工具箱)。本例使用重新缩放的像素强度作为预测变量。

火车和优化分类模型

线性SVM模型通常应用于图像数据集进行分类。然而，SVM是二元分类器，并有在所述数据集10层可能的类。

您可以通过创建多个二进制SVM学习的多类模型fitcecoc。fitcecoc结合使用编码设计的多个二进制学习者。默认，fitcecoc施加一个抗一种设计，其指定基于从对类的所有组合的HMM训练二进制学习者。例如，在具有10类的问题，fitcecoc要培养45个二进制SVM模型。

一般来说，当你训练分类模型，你应该调整超参数，直到获得满意的泛化误差。也就是说，你应该交叉验证模型的特定套超参数的，然后比较了倍-的误判率。

您可以选择自己的超参数值集，也可以指定实现贝叶斯优化。(有关贝叶斯优化的一般细节，请参见贝叶斯优化工作流程)。此示例在选择的值网格上执行交叉验证。

为了交叉验证基于训练观察的支持向量机二进制学习者的ECOC模型，使用5倍交叉验证。虽然预测值有相同的范围，但为了避免在训练过程中出现数值困难，将预测值标准化。同时，优化ECOC编码设计和SVM盒约束。使用这些值的所有组合:

对于所有型号，存储5倍交叉验证错分率。

编码= {“onevsone”'onevsall'};boxconstraint = logspace (1、2、3);cvLoss =南(元素个数(编码),元素个数(boxconstraint));%的预先配置对于I = 1：numel（编码）对于t = templateSVM(“BoxConstraint”，boxconstraint（j）的“标准化”,真正的);CVMdl = fitcecoc（X（idxTrn，:)，Y（idxTrn），“学习者”，T，'KFold'5，…'编码'，编码{I}）;cvLoss（I，J）= kfoldLoss（CVMdl）;fprintf中（'用％s编码和框约束= cvLoss =％f表示模型％F \ N',…cvLoss（I，J），编码{I}，boxconstraint（J））结束结束

cvLoss = 0.052083对模型中使用onevsone编码和框约束= 0.100000 cvLoss使用onevsone编码和框约束为模型= 0.055000 = 3.162278 cvLoss使用onevsone编码和框约束为模型= 0.050000 = 100.000000 cvLoss使用onevsall编码和框约束为模型= 0.116667= 0.100000 cvLoss使用onevsall编码和框约束= 3.162278 cvLoss使用onevsall编码和框约束为模型= 0.125000 = 100.000000为模型= 0.123750

确定产生最小误分类率的超参数指数。使用训练数据训练ECOC模型。对训练数据进行标准化，并提供观察到的最优超参数组合。

minCVLoss =分钟（cvLoss（:)）

minCVLoss = 0.0500

linIdx =查找（cvLoss == minCVLoss）;[bestI，bestJ = ind2sub（的大小（cvLoss），linIdx）bestCoding = {编码} bestI

bestCoding = ' onevsone '

bestBoxConstraint = boxconstraint（bestJ）

bestBoxConstraint = 100

T = templateSVM（“BoxConstraint”bestBoxConstraint,“标准化”,真正的);Mdl = fitcecoc (X (idxTrn:), Y (idxTrn),“学习者”，T，'编码'，bestCoding）;

构建用于测试集的图像的混淆矩阵。

testImages = X（idxTest，:);testLabels =预测（MDL，testImages）;混淆矩阵= confusionchart（Y（idxTest），testLabels）;

对角元素和非对角元素分别对应于正确分类和错误分类的观测值。MDL似乎可以正确地分类大多数图像。

如果您满意的性能MDL，然后可以继续生成用于预测的代码。否则，您可以继续调整超参数。例如，您可以尝试使用不同的核函数训练SVM学习者。

将分类模型保存到磁盘

MDL是预测分类模型，但是你必须对代码生成做准备。保存MDL到您当前的工作目录saveLearnerForCoder。

saveLearnerForCoder（MDL，“DigitImagesECOC”)

saveLearnerForCoder契约MDL，将其转换为一个结构阵列，并且在MAT-文件保存它DigitImagesECOC.mat。

定义代码生成的预测函数

定义一个名为入口点函数predictDigitECOC.m该执行以下操作：

类型predictDigitECOC.m％predictDigitECOC.m文件的显示内容

功能标记= predictDigitECOC（X）％＃代码生成％PREDICTDIGITECOC分类数字图像中使用ECOC模型％PREDICTDIGITECOC分类上述28逐28图像X的使用％的紧凑模型ECOC在文件DigitImagesECOC.mat的行，然后％在标签返回类的标签。CompactMdl = loadLearnerForCoder（ 'DigitImagesECOC.mat'）;标记=预测（CompactMdl，X）;结束

注意:如果单击此页面右上方的按钮，并在MATLAB®中打开此示例，则MATLAB®将打开示例文件夹。这个文件夹包含了入口函数文件。

验证预测函数返回相同的测试集作为标签预测。

pfLabels = predictDigitECOC（testImages）;verifyPF = ISEQUAL（pfLabels，testLabels）

verifyPF =逻辑1

isequal返回逻辑1 (真正），这意味着所有的输入是相等的。该predictDigitECOC产生预期的结果。

决定哪些环境中执行生成的代码

生成的代码可以运行：

这个例子产生在MATLAB环境中运行一个MEX文件。产生这样的MEX文件可以在MATLAB环境之外部署功能之前测试使用MATLAB工具生成的代码。在MEX功能，可以包括验证码，但不适用于代码生成，通过使用声明的命令外源性coder.extrinsic。外部命令可以包括不支持代码生成的函数。万博1manbetx所有MEX函数中的外部命令都运行在MATLAB中，但是codegen不会为它们生成代码。

如果您计划部署在MATLAB环境之外的代码，那么你就必须产生一个独立的可执行文件。指定编译器的选择的方法之一是使用配置选择codegen。例如，要生成静态C可执行文件，请指定配置:exe您打电话的时候codegen。有关设置代码生成选项的详细信息，请参阅配置选择codegen。

编译MATLAB函数来MEX文件

编译predictDigitECOC.m到MEX文件中使用codegen。指定这些选项:

codegenpredictDigitECOC-报告arg游戏{testImages}

代码生成成功:查看报表

codegen成功生成预测函数的代码。您可以通过单击命令行上的链接来查看报告。如果代码生成不成功，则该报告可以帮助您调试。

codegen创建目录PWD /代码生成/ MEX / predictDigitECOC，其中PWD你当前的工作目录。在子目录，codegen产生，除其他事项外，MEX文件predictDigitECOC_mex.mexw64。

验证MEX文件返回的标签与预测。

mexLabels = predictDigitECOC_mex（testImages）;verifyMEX = ISEQUAL（mexLabels，testLabels）

verifyMEX =逻辑1

isequal返回逻辑1 (真正），这意味着MEX文件产生预期的结果。