saveLearnerForCoder

火车模型

加载费雪的虹膜数据集。删除所有观察setosa虹膜数据X和Y只包含数据两类。

负载fisheriris第1 = ~ strcmp(物种,“setosa”);X =量(第1:);Y =物种(第1);

训练支持向量机(万博1manbetxSVM)分类模型使用处理过的数据集。

Mdl = fitcsvm (X, Y);

Mdl是一个ClassificationSVM对象,它是一个线性支持向量机模型。线性支持向量机模型的预测系数提供足够的信息来预测新观察标签。把支持向量减少内存使用生成万博1manbetx的代码。把支持向量通过线性支持万博1manbetx向量机模型discard万博1manbetxSupportVectors函数。

Mdl = discard万博1manbetxSupportVectors (Mdl);

保存模型

将支持向量机分类模型保存到该文件SVMIris.mat通过使用saveLearnerForCoder。

saveLearnerForCoder (Mdl“SVMIris”);

定义入口点函数

定义一个入口点函数命名classifyIris做以下几点:

函数标签= classifyIris (X)% # codegen% CLASSIFYIRIS虹膜物种使用支持向量机模型进行分类% CLASSIFYIRIS分类虹膜花测量X使用支持向量机SVMIris %模型文件。垫,然后返回类标签的标签。Mdl = loadLearnerForCoder (“SVMIris”);标签=预测(Mdl X);结束

添加% # codegen编译器指令(或编译指示)的入口点函数函数签名后,表明您打算为MATLAB算法生成代码。添加这个指令指示MATLAB代码分析器来帮助您诊断和解决违规,将导致错误在代码生成。

注意:如果单击按钮位于右上角的这个例子,在MATLAB®开设这个例子,然后用MATLAB®打开示例文件夹。这个文件夹包含的入口点函数文件。

生成代码

生成代码的入口点函数使用codegen(MATLAB编码器)。因为C和c++静态类型语言中,您必须确定所有变量的属性在编译时的入口点函数。通过X的价值arg游戏选项来指定所生成的代码必须接受一个输入相同的数据类型和数组大小为训练数据X。如果观测的数量在编译时是未知的,您还可以指定输入所适应的使用coder.typeof(MATLAB编码器)。有关详细信息,请参见为代码生成指定适应可变参数和指定入口点函数输入的属性(MATLAB编码器)。

codegenclassifyIrisarg游戏{X}

代码生成成功。

codegen生成墨西哥人的功能classifyIris_mex与平台相关的扩展。

验证生成的代码

比较标签分类使用预测,classifyIris,classifyIris_mex。

label1 =预测(Mdl X);label2 = classifyIris (X);label3 = classifyIris_mex (X);verify_label = isequal (label1 label2 label3)

verify_label =逻辑1

isequal返回逻辑1(真正的),这意味着所有的输入都是平等的。标签分类所有的三种方法都是一样的。

火车模型

加载电离层数据集和训练一个二进制SVM分类模型。

负载电离层Mdl = fitcsvm (X, Y,“KernelFunction”,“高斯”);

Mdl是一个ClassificationSVM模型。

保存模型

将支持向量机分类模型保存到该文件myMdl.mat通过使用saveLearnerForCoder。

saveLearnerForCoder (Mdl“myMdl”);

定点数据类型定义

使用generateLearnerDataTypeFcn生成一个函数,定义了所需的定点数据类型的变量预测的支持向量机模型。

generateLearnerDataTypeFcn (“myMdl”,X)

generateLearnerDataTypeFcn生成myMdl_datatype函数。

创建一个结构T通过使用,定义了定点数据类型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包括的字段命名和运行所需的内部变量预测函数。每个字段包含一个定点对象,返回的fi(定点设计师)。定点对象指定定点数据类型属性,如单词长度和长度。例如,显示定点数据类型属性的预测数据。

T.XDataType

ans = [] DataTypeMode:定点:二进制扩展Signedness:签了字:16 FractionLength: 14 RoundingMethod:地板OverflowAction:包装ProductMode: FullPrecision MaxProductWordLength: 128 SumMode: FullPrecision MaxSumWordLength: 128

定义入口点函数

定义一个入口点函数命名myFixedPointPredict做以下几点:

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

注意:如果单击按钮位于右上角的这个例子和开放的MATLAB®中的示例,然后用MATLAB打开示例文件夹。这个文件夹包含的入口点函数文件。

生成代码

的XDataType场的结构T指定的定点数据类型预测数据。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 =投(X,“喜欢”,T.XDataType);

生成代码的入口点函数使用codegen。指定X_fx和持续的折叠T的入口点函数的输入参数。

codegenmyFixedPointPredictarg游戏{X_fx, coder.Constant (T)}

代码生成成功。

codegen生成墨西哥人的功能myFixedPointPredict_mex与平台相关的扩展。

验证生成的代码

通过预测数据预测和myFixedPointPredict_mex比较输出。

(标签、分数)=预测(Mdl X);[labels_fx, scores_fx] = myFixedPointPredict_mex (X_fx T);

比较的输出预测和myFixedPointPredict_mex。

labels_fx verify_labels = isequal(标签)

verify_labels =逻辑1

isequal返回逻辑1(真正的),这意味着标签和labels_fx是相等的。

如果你不满意的比较结果和想提高的精度生成的代码,您可以调整定点数据类型和重新生成代码。有关详细信息,请参见提示在generateLearnerDataTypeFcn,数据类型的函数,定点代码生成SVM的预测。