نشر نماذج الذكاء الاصطناعي
مقدمة إلى النشر وMATLAB Compiler
Introduction to Deployment and MATLAB Compiler
خريطة خيارات النشر في MATLAB: تطبيقات مستقلة وتطبيقات ويب وMATLAB Production Server ومكتبات Python/Java/.NET وتوليد الكود، مع تجهيز دالة للنشر وحفظ النموذج.
ستتعلم في هذا الدرس
- اختيار المنتج المناسب حسب الهدف (مستخدم نهائي، خادم، عتاد مدمج)
- تجهيز دالة تنبؤ نظيفة بمدخلات ومخرجات محددة
- حفظ النموذج وتحميله للنشر
- بناء تطبيق مستقل أو حزمة Python بـ MATLAB Compiler
خريطة الخيارات
| الهدف | المنتج | الناتج |
|---|---|---|
| مستخدم بلا MATLAB على حاسوبه | MATLAB Compiler | تطبيق .exe أو تطبيق ويب + MATLAB Runtime |
| تطبيق Python أو Java أو .NET | MATLAB Compiler SDK | حزمة تستدعي الدوال |
| خدمة على خادم لعدة مستخدمين | MATLAB Production Server | واجهة REST/JSON |
| معالج مدمج أو حاسوب حافة | MATLAB Coder / Embedded Coder | كود C/C++ |
| NVIDIA Jetson أو GPU | GPU Coder | كود CUDA |
| FPGA | Deep Learning HDL Toolbox / HDL Coder | تصميم عتادي |
دالة جاهزة للنشر
function label = scoreApplicant(features) %#codegen
%SCOREAPPLICANT نموذج لوجستي صغير جاهز للنشر بأوزان ثابتة
arguments_ok = isnumeric(features) && numel(features) == 3 && all(isfinite(features));
if ~arguments_ok
error('deploy:badInput', 'Expected 3 finite numeric features.');
end
mu = [35 50000 2]; sd = [10 15000 1.5]; % إحصاءات التطبيع من التدريب
w = [0.8 1.2 -0.6]; b = -0.2;
z = sum(w .* (features(:)' - mu) ./ sd) + b;
p = 1 / (1 + exp(-z));
label = double(p >= 0.5);
endcases = {[30 60000 1], [50 30000 4], [28 45000 2]};
for k = 1:numel(cases)
fprintf('input %s -> label %d\n', mat2str(cases{k}), scoreApplicant(cases{k}));
end
try
scoreApplicant([1 2]);
catch err
fprintf('rejected bad input: %s\n', err.identifier);
endinput [30 60000 1] -> label 1 input [50 30000 4] -> label 0 input [28 45000 2] -> label 0 rejected bad input: deploy:badInput
الأوزان وإحصاءات التطبيع هنا أمثلة توضيحية وليست نموذجاً مدرباً على بيانات حقيقية. اختبر دالة النشر بحالات معروفة وحالات خاطئة قبل البناء.
حفظ النموذج وتحميله
% نماذج Statistics Toolbox: صيغة مخصصة لتوليد الكود والنشر
mdl = fitcsvm(X, y, 'Standardize', true);
saveLearnerForCoder(compact(mdl), 'svmModel');
% داخل دالة النشر:
% m = loadLearnerForCoder('svmModel'); label = predict(m, x);
% شبكات Deep Learning Toolbox:
save('net.mat', 'net');يتطلب هذا الكود: Statistics and Machine Learning Toolbox، Deep Learning Toolbox. لم يُشغَّل في بيئة إعداد الدرس لعدم توفر الـ Toolbox، لذلك لا نعرض أرقاماً من عندنا؛ شغّله في MATLAB لديك وقارن النتائج.
البناء بـ MATLAB Compiler
% تطبيق مستقل (R2020b+)
results = compiler.build.standaloneApplication('scoreApp.m', 'ExecutableName', 'ScoreApp');
% حزمة Python (Compiler SDK)
compiler.build.pythonPackage('scoreApplicant.m', 'PackageName', 'scorer');
% في Python بعد التثبيت:
% import scorer; h = scorer.initialize(); h.scoreApplicant(matlab.double([30, 60000, 1]))يتطلب هذا الكود: MATLAB Compiler. لم يُشغَّل في بيئة إعداد الدرس لعدم توفر الـ Toolbox، لذلك لا نعرض أرقاماً من عندنا؛ شغّله في MATLAB لديك وقارن النتائج.
scoreApp.m سكربت أو دالة بواجهة؛ يحتاج المستخدم النهائي تثبيت MATLAB Runtime بالإصدار نفسه.
خلاصة الدرس
- MATLAB Compiler: تطبيقات مستقلة وويب تعمل بـ MATLAB Runtime المجاني دون ترخيص MATLAB.
- MATLAB Compiler SDK: مكتبات لـ Python وJava و.NET وC++ وخدمات Production Server.
- MATLAB Coder وGPU Coder: كود C/C++ وCUDA مستقل تماماً عن MATLAB.
- افصل التدريب عن التنبؤ: دالة النشر تحمّل نموذجاً محفوظاً ولا تدرّب.
- ضمّن إحصاءات التطبيع داخل دالة النشر حتى لا تختلف المعالجة.
شُغّل test_scoreApplicant.m مع scoreApplicant.m في GNU Octave 8.4. أمثلة Compiler لم تُشغّل.
المتطلبات البرمجية
- MATLAB
- MATLAB Compiler
بعض هذه الأدوات (Toolboxes) تُرخَّص منفصلة عن MATLAB. تحقق من توفرها بالأمر ver في Command Window.
