如何将训练神经网络编译为MATLAB中的独立应用程序？

Question

我想将使用神经网络的 MATLAB应用程序编译成一个独立的应用程序,但是正如您所知,MATLAB不能将训练神经网络编译为独立的,并且只能编译已经训练过的神经网络.

我的应用程序的核心包括在导入的数据上训练神经网络.我怎样才能做到这一点？有没有其他方法可以做到这一点？我的MATLAB版本是R2014a.

我尝试deploytool用于编译,但根据MATLAB编译器文档:

THIS CAN BE COMPILED
  * Pre-trained network
  * command line functions

THIS CANNOT BE COMPILED
  * All other command line functionality
  * All GUIs provided with toolbox
  * Simulink blocks
  * gensim

所以,我们得到错误编译应用程序之后,如果我们有这样的功能newff还是patternnet在我们的代码或其他培训功能.

我知道这是MATLAB编译器的限制,我搜索了几个月的解决方案,但我没有找到任何解决方法或替代方法.

显然,在MATLAB的新版本中添加了一个函数,用于在MATLAB编译器中使用经过训练的神经网络:部署神经网络函数.

Answer 1

底线是MATLAB编译器仅支持部署预先训练的神经网络.

神经网络工具箱

可编译:

• 预先训练的网络命令行功能

无法编译:

• 所有其他命令行功能
• 应用和用户界面
• Simulink块
• gensim

这意味着您无法mcc使用训练功能(包含TRAIN,ADAPT等的任何内容)编译功能,您只能部署评估/模拟已经训练的网络对象(SIM功能等)的功能.

对于支持的方案(部署预先训练好的网络),有几种方法可以解决它:

1)将预先训练的网络对象保存/加载到MAT文件中

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并训练神经网络(继续调整网络参数,直到您对结果满意为止).最后将网络对象保存到磁盘(在MAT文件中导出为变量).

% 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已保存的网络,并使用它来预测给定一些测试数据的输出(注意使用%#functionpragma行):

simulateSavedNet.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

2)从预先训练的网络生成独立的M功能

您可以使用预先训练的网络对象生成独立的MATLAB函数genFunction,然后可以使用它来模拟网络输出.此功能在MATLAB R2013b中引入.

它基本上可以在一个M函数中对网络设置,结构和权重进行硬编码.生成的函数与MATLAB Compiler mcc(编译成支持的目标之一)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')

以下是生成函数的代码:

simulateStandaloneNet.m

3)手动模拟预先训练的网络

对于简单的静态神经网络(前馈等),评估预训练的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,将其输入,并计算传播的输出(一次一层).您必须注意对数据应用任何预处理/后处理,并在每个层中使用相同的传递函数.

实际上,这基本上genFunction与前一种方法相同,只是它是自动化的并处理所有情况(适用于各种神经网络,而不仅仅是前馈神经网络).

以下是上述培训网络的示例:

simulateManualNet.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

4)从预先训练的网络生成Simulink块,并使用Simulink Coder进行转换

这里的想法是使用预先训练的网络生成Simulink块gensim,然后使用Simulink Coder(以前称为Real-Time Workshop)将生成的块转换为独立的C/C++应用程序.在R2010b中引入了将神经网络编译为Simulink块的方法.

我不是Simulink专家,所以我会留给你探索这种方法:

gensim(net)

在上面的每种方法中(无论如何都是前三种),我们的想法是simulate通过MATLAB Compiler(独立可执行文件,共享库,Java包,.NET程序集)将函数编译到一个受支持的目标中,然后部署生成的组件.

(实际上,方法#2和#3也可以使用MATLAB Coder转换为C/C++源代码codegen).

以下是如何使用mcc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C++测试程序,它链接到生成的共享库:

% 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:

test_net.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;
}

以下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的所有可能的案例:) HTH