底线是 MATLAB Compiler 仅支持部署预训练的神经网络。
神经网络工具箱
可以编译：
无法编译：
- 所有其他命令行功能
- 应用程序和用户界面
- Simulink 模块
gensim
这意味着您不能mcc- 编译具有训练功能的函数（任何包含TRAIN、ADAPT等...），您只能部署评估/模拟已经训练的网络对象的函数（SIM函数等）。
对于支持的场景（部署预训练的网络），有几种方法可以解决：
在正常的 MATLAB 会话中，加载您拥有的训练数据，然后使用所需的设置创建和训练神经网络（不断调整网络参数，直到您对结果感到满意）。最后将网络对象保存到磁盘（导出为 MAT 文件中的变量）。
% sample regression dataset
[x,y] = simplefit_dataset();
% feed-forward neural network (one hidden layer with 4 neurons)
net = fitnet(4);
net = configure(net, x, y); % configure net to match data
net.trainParam.showWindow = false; % dont show training GUI
net.trainParam.showCommandLine = true; % display output in command line
net.trainParam.show = 1; % display output every iteration
% train networks (data is divided into train/validation/test sets)
net = init(net); % initialize network weights
[net,tr] = train(net, x, y);
% save pre-trained network to MAT-file
save('pretrained_network.mat', 'net')
接下来创建一个可部署的函数来加载保存的网络，并使用它来预测给定一些测试数据的输出（注意使用%#functionpragma行）：
模拟SavedNet.m
function y_hat = simulateSavedNet(x)
% this is a special pragma for MATLAB Compiler
% used to declare "network" class as dependency in deployed mode
%#function network
% load pre-trained network
S = load('pretrained_network.mat', 'net');
net = S.net;
% predict outcome given input data
%y_hat = net(x);
y_hat = sim(net, x);
end
您可以使用 ，从预先训练的网络对象生成独立的 MATLAB 函数genFunction，然后可以使用该函数来模拟网络输出。此功能是在 MATLAB R2013b 中引入的。
它基本上将网络设置、结构和权重硬编码在一个 M 函数中。mcc生成的函数与 MATLAB Compiler （编译到支持的目标之一）以及 MATLAB Coder codegen（转换为独立的 C/C++ 代码）完全兼容。
% generate standalone M-function from the trained net
genFunction(net, 'simulateStandaloneNet.m', 'MatrixOnly','yes', 'ShowLinks','no')
下面是生成函数的代码：
模拟独立网络.m
3）手动模拟预训练的网络
对于简单的静态神经网络（前馈等），评估预训练网络并模拟其输出相对容易（困难的部分是训练它们！）。
我已经在之前的 答案中展示了如何做到这一点。您基本上从网络中提取学习的权重，然后将这些数字插入传递函数，为其提供输入，并计算传播的输出（一次一层）。您必须注意对数据进行任何预处理/后处理，并在每一层中使用相同的传递函数。
事实上，这基本上是genFunction前一种方法所做的，只是它是自动化的并处理所有情况（适用于各种神经网络，而不仅仅是前馈 ANN）。
这是上面训练的网络的一个例子：
模拟手册网.m
function y_hat = simulateManualNet(x)
% pre-trained feed-forward neural network
% contains one hidden layer with 4 neurons, 1D input, 1D output
% We assume the default transfer functions, preprocessing, etc..
% The following hardcoded values were obtained
% from net.IW, net.LW, net.b properties using MAT2STR
% hidden layer weights/biases
b1 = [6.0358701949521; 2.72569392497815; 0.584267717191459; -5.1615078566383];
W1 = [-14.0019194910639; 4.90641117353245; -15.2282807645331; -5.26420794868803];
% output layer weights/biases
b2 = -0.756207251486408;
W2 = [0.548462643231606 -0.435802343861239 -0.085111261420613 -1.13679228253379];
% scale input
in = mapFcn(x);
% hidden layer
hid = hiddenLayerTransferFcn(bsxfun(@plus, W1*in, b1));
% output layer
out = outputLayerTransferFcn(W2*hid + b2);
% inverse scale output
y_hat = mapInverseFcn(out);
end
function xx = mapFcn(x)
% linear mapping from [mn,mx] to [-1,1]
mn = 0; mx = 9.97628374728129;
xx = (x - mn)*2 / (mx - mn) - 1;
end
function x = mapInverseFcn(xx)
% inverse linear mapping from [-1,1] to [mn,mx]
mn = 0; mx = 10;
x = (xx + 1) * (mx - mn)/2 + mn;
end
function out = hiddenLayerTransferFcn(in)
% Hyperbolic tangent sigmoid transfer function
out = tanh(in);
end
function out = outputLayerTransferFcn(in)
% Linear transfer function
out = in;
end
这里的想法是使用 由预训练网络生成 Simulink 模块，然后使用Simulink Coder（以前称为 Real-Time Workshop）gensim将生成的模块转换为独立的 C/C++ 应用程序。在 R2010b 中引入了将神经网络编译为 Simulink 模块。
我不是 Simulink 专家，所以我将留给您探索这种方法：
gensim(net)
在上述每种方法中（无论如何都是前三种），其想法是simulate通过 MATLAB 编译器（独立可执行文件、共享库、Java 包、.NET 程序集）将函数编译为支持的目标之一，然后部署生成的组件。
（其实方法#2和#3也可以使用MATLAB Coder转换成C/C++源代码codegen）。
mcc以下是如何使用命令将每个编译成共享库（deploytool如果您愿意，可以使用）：
% 1) saved network
mcc -v -W cpplib:libANN -T link:lib -N -p nnet simulateSavedNet.m -a pretrained_network.mat
% 2) standalone simulation function (genFunction)
mcc -v -W cpplib:libANN -T link:lib -N simulateStandaloneNet
% 3) standalone simulation function (manual)
mcc -v -W cpplib:libANN -T link:lib -N simulateManualNet
要检查生成的 DLL，下面是一个链接到生成的共享库的 C++ 测试程序：
% 1)
mbuild -output test_savedNet -DSIMFCN=simulateSavedNet -I. test_net.cpp libANN.lib
% 2)
mbuild -output test_standaloneNet -DSIMFCN=simulateStandaloneNet -I. test_net.cpp libANN.lib
% 3)
mbuild -output test_manualNet -DSIMFCN=simulateManualNet -I. test_net.cpp libANN.lib
测试程序的代码：
测试网.cpp
#include <cstdlib>
#include <iostream>
#include "libANN.h"
// choose one!
//#define SIMFCN simulateSavedeNet
//#define SIMFCN simulateStandaloneNet
//#define SIMFCN simulateManualNet
int main()
{
// initialize MCR and lib
if (!mclInitializeApplication(NULL,0)) {
std::cerr << "could not initialize the application" << std::endl;
return EXIT_FAILURE;
}
if(!libANNInitialize()) {
std::cerr << "Could not initialize the library" << std::endl;
return EXIT_FAILURE;
}
try {
// create input data (1x5 vector)
double x[] = {1.0, 3.0, 5.0, 7.0, 9.0};
mwArray in(1, 5, mxDOUBLE_CLASS, mxREAL);
in.SetData(x, 5);
// predict network output by simulating network
mwArray out;
SIMFCN(1, out, in);
double y[5];
out.GetData(y, 5);
// show result
std::cout << "y = net(x)" << std::endl;
std::cout << "y = \n" << out << std::endl;
} catch (const mwException& e) {
std::cerr << e.what() << std::endl;
return EXIT_FAILURE;
} catch (...) {
std::cerr << "Unexpected error thrown" << std::endl;
return EXIT_FAILURE;
}
// cleanup
libANNTerminate();
mclTerminateApplication();
return EXIT_SUCCESS;
}
这是生成的程序的输出，与原始网络对象和源 M 函数进行比较：
>> net([1 3 5 7 9])
ans =
9.5620 7.7851 7.2716 6.1647 2.4073
>> simulateSavedNet([1 3 5 7 9])
ans =
9.5620 7.7851 7.2716 6.1647 2.4073
>> simulateStandaloneNet([1 3 5 7 9])
ans =
9.5620 7.7851 7.2716 6.1647 2.4073
>> simulateManualNet([1 3 5 7 9])
ans =
9.5620 7.7851 7.2716 6.1647 2.4073
>> !test_savedNet.exe
y = net(x)
y =
9.5620 7.7851 7.2716 6.1647 2.4073
>> !test_standaloneNet.exe
y = net(x)
y =
9.5620 7.7851 7.2716 6.1647 2.4073
>> !test_manualNet.exe
y = net(x)
y =
9.5620 7.7851 7.2716 6.1647 2.4073
这最终是一个很长的帖子，但我想涵盖这个问题和未来问题的所有可能案例:) HTH