如何在MATLAB中编译训练神经网络作为独立应用程序？

我想将我的MATLAB应用程序用于一个独立的应用程序，但正如大家所知，MATLAB不能将训练神经网络编译为独立的，只能编译已经训练过的神经网络

我的应用程序的核心是在导入的数据上训练神经网络。我该怎么做？有没有其他方法可以做到这一点？我的MATLAB版本是R2014a

我尝试使用

deploytool

进行编译，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

因此，如果我们的代码中有类似于

newff

或

patternnet

的函数或其他训练函数，那么编译应用程序后就会出错

我知道这是MATLAB编译器的一部分，几个月来我一直在寻找解决方案，但我没有找到任何解决方法或替代方法

---

显然，新版本的MATLAB中增加了一个函数，用于在MATLAB编译器中使用经过训练的神经网络：。

不幸的是，您确实不能通过deploytool创建独立的神经网络程序（使用MATLAB编译器也是如此）

备选方案：

您可以先训练一个网络，然后构建独立的程序，但似乎您希望在创建网络后进行训练

你可以看看matlab编码器；这基本上是从matlab创建程序的“另一种方式”。我还没有找到它是否支持神经网络，但是如果你正在考虑这个选项，你可以联系mathworks

考虑不要制作一个独立的程序。例如，根据您的需要，您可以从不同的程序或命令行调用matlab来完成其工作

---

使用部署产品（MATLAB编译器、MATLAB Builder产品）或代码生成产品（MATLAB编码器等）部署神经网络工具箱的网络训练功能是不可能的

您可以考虑为神经网络使用第三方工具箱，例如。Netlab不包括神经网络工具箱的所有神经网络功能，但它包括最常用的功能，以及统计工具箱更好地涵盖的许多额外方法，如K-均值聚类

我不知道在部署Netlab功能时会出现任何技术问题，而且我相信它是在BSD开源许可下获得许可的，因此您应该能够在项目中包含并重新发布它，而不会出现任何问题

---

---

编辑：从R2016b开始，现在可以从神经网络工具箱（或现在所知的深度学习工具箱）编译网络训练功能。

底线是MATLAB编译器只部署预训练的神经网络

神经网络工具箱

可编辑：

• 预先培训的网络命令行功能

无法编译：

• 所有其他命令行功能
• 应用程序和用户界面
• 模拟块

• gensim

这意味着您不能使用训练功能（包含的任何内容等）编译函数，只能部署评估/模拟已训练的网络对象（函数等）的函数

---

对于受支持的场景（部署预先培训的网络），有两种方法：

1) 在正常的MATLAB会话中，加载您拥有的训练数据，然后使用所需设置创建和训练神经网络（不断调整网络参数，直到您对结果满意为止）。最后将网络对象保存到磁盘（导出为MAT文件中的变量）

接下来，创建一个可部署函数，加载保存的网络，并使用它预测给定一些测试数据的输出（请注意行的使用）：

simulateSavedNet.m 2) 您可以使用从预先训练的网络对象生成一个独立的MATLAB函数，然后可以使用该函数模拟网络输出。该功能是在MatlabR2013B中引入的

它将基本上硬编码的网络设置，结构和权重都在一个M-函数。生成的函数与MATLAB编译器（编译为支持的目标之一）以及MATLAB编码器（转换为独立的C/C++代码）完全兼容

以下是生成的函数的代码：

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），评估预先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！）

我已经演示了如何在中执行此操作。基本上，从网络中提取学习到的权重，然后将这些数字插入传递函数，向其提供输入，并计算传播的输出（一次一层）。您必须注意对数据应用任何预/后处理，并在每个层中使用相同的传递函数

事实上，这基本上是

genFunction

在前面的方法中所做的，只是它是自动化的，并且可以处理所有情况（适用于所有类型的神经网络，而不仅仅是前馈神经网络）

以下是上述培训网络的一个示例：

模拟器UALNET.m 4) 这里的想法是使用预先训练的网络生成Simulink块，然后使用（以前称为Real Time Workshop）将生成的块转换为独立的C/C++应用程序。R2010b中介绍了将神经网络编译为Simulink块

我不是Simulink专家，所以我将让您来探索：

---

在上述每种方法中（不管怎样，前三种方法），都是通过MATLAB编译器（独立可执行文件、共享库、Java包、.NET程序集）将

simulate

函数编译成支持的目标函数之一，然后部署生成的组件

（实际接近#2和#

% 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')

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

% generate standalone M-function from the trained net
genFunction(net, 'simulateStandaloneNet.m', 'MatrixOnly','yes', 'ShowLinks','no')

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

gensim(net)

% 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

% 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

#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;
}

>> 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