数据进行预处理

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。

TBL = AdultData（：，{'年龄'那'教育_num'那'资本收益'那'capital_loss'那“hours_per_week”}）;

打印表格的摘要。

总结(台)

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.．但是，将标准化的操作添加到固定点代码可以减少精度并提高内存使用。相反，您可以手动标准化数据集，如本示例所示。该示例还介绍了如何在最后检查内存使用。

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（TBL）;Y = AdultData.Salary =='<= 50k';

定义观察权重W.．

w = AdultData.fnlwgt;

随着模型中的支持向量的数量增加，记忆使用训练模型增加。万博1manbetx为了减少支持向量的数量，您可以使用使用时培训时增万博1manbetx加框约束'boxconstraint'名称-值对参数或使用下采样的代表性数据集进行训练。注意，增加方框约束会导致训练时间变长，而使用下采样数据集会降低训练模型的准确性。在本例中，从数据集中随机抽取1000个观察数据，并使用下采样的数据进行训练。

RNG（'默认'）重复性的％[X_sampled, idx] = datasample (X, 1000,'代替'，错误的）;y_sampled = y（idx）;w_sampled = w（idx）;

使用使用模型来找到加权手段和标准偏差“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”，真的）;mu = tempmdl.mu;sigma = tempmdl.sigma;

如果你不使用'成本'那'事先的'， 要么“重量”用于培训的名称值对参数，然后您可以使用使用的均值和标准偏差值zscore函数。

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

通过使用标准化预测数据亩和Sigma.．

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“hours_per_week”}））;标准化xtest =（xtest-mu）./ sigma;ytest = Aducltiest.Salary =='<= 50k';

火车模型

训练二值支持向量机分类模型。

mdl = fitcsvm（标准化x_sampled，y_sampled，“重量”，w_sampled，'骨箱'那'高斯'）;

MDL.是一个分类VM.模型。

计算训练数据集和测试数据集的分类误差。

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

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．

SavelAlnerForCoder（MDL，'mymdl'）;

定义定点数据类型

使用generateLearnerDataTypeFcn生成定义预测SVM模型所需的变量的定点数据类型的函数。使用所有可用的预测数据来获取固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为定点定义数据类型生成代码% % T = myMdl_datatype (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_datatype。m % Statistics and Machine Learning Toolbox Version 11.7 (Release R2020a) % Generated by MATLAB, 29-Feb-2020 02:15:40 if nargin < 1 dt = 'Fixed';END％SET定点数学设置FM = FIMATH（'roundingMethod'，'floor'，...'overflowation'，'wrap'，...'productmode'，'fullprecision'，...'maxproductwordlength'，128，...'summode'，'fourprecision'，...'maxsumwordlength'，128）;%预估数据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

笔记：如果单击该示例的右上角的按钮并在MATLAB®中打开示例，则MATLAB将打开示例文件夹。此文件夹包含入口点函数文件。

这mymdl_datatype.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_datatype.．

t = mymdl_datatype（“固定”）

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。每个字段都包含一个固定点对象，返回FI.．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，请参阅数据类型的函数．

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:

功能[标签，得分] = myfixedpointpredict（x，t）％＃codegen.mdl = loadlearnerforcoder（'mymdl'那'数据类型'，t）;[标签，得分] =预测（MDL，x）;结尾

(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showinstumastation.cresults.．使用方法记录所有命名变量和内部变量的最小值和最大值buildinstrumentedmex.．使用showinstumastation.cresults.;然后，根据结果，调整变量的定点数据类型属性。

指定输入参数函数的输入参数类型

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

args = cell（2,1）;

第一个输入参数是预测器数据。这xdatatype.结构场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因此MEX功能可以采用可变大小的输入。

args {1} = coder.typeof（x_fx，size（标准化x），[1,0]）;

第二个输入参数是结构T.，这必须是编译时间常数。使用编码器。常数指定T.在代码生成期间作为常量。

args {2} =编码器.Constant（t）;

Create Instrumented MEX函数

使用buildinstrumentedmex.．

buildinstrumentedmex.myFixedPointPredict-  args.args.-Omyfixedpointpredict_instumented.- 犹太图- 探讨

测试仪表MEX功能

运行仪表MEX功能，记录仪表结果。

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

可以多次运行检测到的MEX函数，以记录来自各种测试数据集的结果。使用以下命令运行检测到的MEX函数standardizedXTest．

xtest_fx = cast（标准化名称，“喜欢”，t.xdatatype）;[labels_fx1_test，scores_fx1_test] = myfixedpointpredict_instrumented（xtest_fx，t）;

查看仪器MEX功能的结果

称呼showinstumastation.cresults.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”）

所提出的单词长度和分数长度X与那些相同xdatatype.在结构中T.．

通过单击查看变量的直方图在变量选项卡。

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NumericTypeScope参考页面。

通过使用清除结果clearInstrumentationResults．

clearInstrumentationResults (“myFixedPointPredict_instrumented”）

验证仪表MEX功能

比较输出预测和myfixedpointpredict_instumented.．

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

验证_labels1 =逻辑0.

是平等的如果返回逻辑1（true）如果标签和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 =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

找出分数输出之间的最大相对差异。

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

diff_scores1 = 74.2445

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.功能，您可以手动修改函数文件中的固定点数据类型（myMdl_datatype.m）。或者，您可以通过使用来生成功能generateLearnerDataTypeFcn并指定更长的单词长度，如本示例所示。有关更多详细信息，请参阅提示．

生成新的数据类型函数。指定单词长度32和名称mymdl_datatype2.对于生成的函数。

generatelearnerdatatypefcn（'mymdl'，[标准化x;标准化标准，'wordlength'，32，“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。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％统计和机器学习工具箱版本11.7（发布R2020A）％由Matlab生成，29-Feb-2020 02:16:50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.通过使用定义定点数据类型mymdl_datatype2.．

T2 = myMdl_datatype2 (“固定”）

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

创建一个新的测量MEX函数，记录结果，并使用buildinstrumentedmex.和showinstumastation.cresults.．

x_fx2 =施放（标准化x，“喜欢”，t2.xdatatype）;buildinstrumentedmex.myFixedPointPredict-  args.{X_fx2, coder.Constant (T2)}-Omyfixedpointpredict_instrumented2- 犹太图- 探讨[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）

验证_labels2 =逻辑0.

diff_labels2 =总和(比较字符串(字符串(labels_fx2),字符串(标签))= = 0)/长度(labels_fx2) * 100

diff_labels2 = 0.0031.

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

diff_scores2 = 1.7332

错误分类标签的百分比diff_labels2分数值的相对差异diff_scores2小于使用默认字长(16)生成的前一个MEX函数的值。

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.那showinstumastation.cresults.， 和clearInstrumentationResults和这个例子使用min / max仪器设置数据类型（定点设计师）。

生成代码

使用生成入口点函数的代码Codegen.．使用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，那么为固定大小的输入生成代码对于代码的简单性更可取。

Codegen.myFixedPointPredict-  args.{coder.typeof（x_fx2，[1,5]，[0,0]），编码器.Constant（T2）}

Codegen.生成MEX函数myfixedpointpredict_mex.具有平台依赖的扩展。

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。看看验证仪表MEX功能部分细节。

[Labels_Sampled，scores_sampled] =预测（MDL，标准化x_sampled）;n =大小（标准化x_sampled，1）;labels_fx = true（n，1）;scors_fx = zeros（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）

verify_labels =逻辑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（（scors_fx（：，1）-scores_sampled（：，1））./ scors_sampled（：，1））））

diff_scores = 0.0654

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。如果你使用“标准化”名称值对参数，然后生成的固定点代码包括标准化操作，这可能导致精度损失并增加内存使用。

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。指定配置:自由要生成静态库，请使用报告选择代码生成报告的选项。

Codegen.myFixedPointPredict-  args.{coder.typeof（x_fx2，[1,5]，[0,0]），编码器.Constant（T2）}-OmyFixedPointPredict_lib配置:自由报告

在这一点概括代码生成报告的选项卡，单击代码度量．函数信息部分显示了累积的堆栈大小。

找到模型培训的内存使用“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”，真的）;SavelAlnerForCoder（MDL，'mymdl'）;generatelearnerdatatypefcn（'mymdl'，[X;xtest]，'wordlength'，32，“OutputFunctionName”那“myMdl_standardize_datatype”）t3 = mymdl_standardize_datatype（“固定”）;x_fx3 = cast（x_sampled，“喜欢”，t3.xdatatype）;Codegen.myFixedPointPredict-  args.{coder.typeof（x_fx3，[1,5]，[0,0]），编码器.Constant（T3）}-OmyFixedPointPredict_standardize_lib配置:自由报告