XML-Exporter

Einordnung der XML-Exporter

Die von Beckhoff bereitgestellten XML-Exporter können frei genutzt und verändert werden. Sie sind quelloffen und unter MIT-Lizenz. Dies bietet Kunden die Möglichkeit, die XML-Exporter entsprechend ihren Bedürfnissen anzupassen, bspw. durch Einfügen unternehmens- oder projektspezifisicher CustomAttributes, vgl. Abschnitt XML Tag CustomAttributes.

Die XML-Exporter werden nach Installation des Produkts im Ordner
<TwinCATPath>\Functions\TF38xx-Machine-Learning\Utilities\exporter bereitgestellt.

Die XML-Exporter basieren auf speziellen Versionen der Bibliotheken Empfohlen wird das Exportieren von erstellen ML-Modellen über das ONNX-Format sowie entsprechender Konvertierung in XML oder BML. Die XML-Exporter waren in der frühen Phase von TwinCAT Machine Learning als Übergangslösung gedacht, bis alle einschlägigen Bibliotheken einen umfänglichen ONNX Support anbieten. Dies ist heute der Fall, sodass die XML-Exporter nicht mehr mit neueren Bibliotheken getestet und geupdatet werden.

Direkter XML-Export eines MLP

Es werden nur Netzarchitekturen unterstützt, die eine sequenzielle Struktur im folgenden Sinne aufweisen: Jedes Neuron einer Schicht ist ausschließlich mit jedem Neuron der darauffolgenden Schicht verknüpft. Es ist möglich, Layer ohne Bias zu exportieren.

Export aus Keras/Tensor Flow

• Datei: KerasMlp2Xml.py
• Beispielaufruf: Beispielcode
• Voraussetzungen an die Python-Umgebung:
• Keras mit TensorFlow-Backend (Tensor Flow Version 1.15.0)
• Numpy (Version 1.17.4)
• Matplotlib
• Unterstützte Aktivierungsfunktionen: tanh, sigmoid, softmax, relu, linear/identity, exp, softplus, softsign
• Es können nur sequential models und keine functional models mit dem XML-Exporter exportiert werden. Das Modell ist entsprechend zu erzeugen mit:

from tensorflow.keras.models import Sequential
model = Sequential()

• Dropout Layer werden unterstützt (nur für Training relevant, werden beim Export ignoriert)
• Dense Layer werden unterstützt. Die Aktivierungsfunktionen müssen als Argument der Layer übergeben werden und nicht als eigenständige Aktivierungs-Layer.

from keras.layers import Activation, Dense
# this will not work !!!
model.add(Dense(64))
model.add(Activation(‘tanh’))
# this will work
model.add(Dense(64,activation=’tanh’)) 

• Die API ist ausführlich im Kopf der Datei KerasMlp2Xml.py beschrieben.
  net2xml(net,output_scaling_bias=None,output_scaling_scal=None)
• net, obligatorisch, Klasse des trainierten Modells
• output_scaling_bias, optional, Liste (bei mehreren Features) sonst float oder int
• output_scaling_scal, optional, Liste (bei mehreren Features) sonst float oder int
• Rückgabe ist ein String-Dokument, welches als XML gespeichert werden kann.

Export aus MATLAB^®

• Datei: MatlabMlp2Xml.m
• Beispielaufruf: ExampleMatlabMLP
• Voraussetzungen an die MATLAB^®-Umgebung:
• MATLAB^®
• Deep Learning Toolbox
• Unterstützte Aktivierungsfunktionen: tanh, sigmoid, softmax, relu, linear/identity
• Unterstützte Modelle der Deep Learning Toolbox: fitnet, patternnet
• ProcessFcns werden unterstützt vom Typ mapminmax und mapstd
• Die Nutzung von ProcessFcns ist optional
• Wird eine ProcessFcn in der Ouput-Layer verwendet, muss dessen Aktivierungsfunktion purelin sein
• Die API ist ausführlich im Kopf der Datei MatlabMlp2Xml.m beschrieben
  MatlabMlp2Xml(net, fnstr, varargin)
• net, obligatorisch, Klasse des trainierten Modells
• fnstr, obligatorisch, String mit Pfad und Dateiname
• output_scaling_bias, optional, Vektor
• output_scaling_scal, optional, Vektor

Direkter XML-Export einer SVM

Export aus Scikit-learn

• Datei: SciKitLearnSvm2Xml.py
• Beispielaufruf: ExampleScikitLearnSVM
• Voraussetzungen an die Python-Umgebung:
• Python Interpreter: 3.6 oder höher
• Scikit-learn: Version 0.22.0 oder höher
• Matplotlib
• Numpy
• Es können nur numerische Class-Labels exportiert werden.
• Unterstützte Klassen bzw. Modelle: SVC, NuSVC, OneClassSVM, SVR, NuSVR
• LinearSVR und LinearSVC werden vom Exporter nicht unterstützt, können aber alternativ über die Klassen SVR und SVC mit jeweils linearem Kernel umgesetzt werden.
• Unterstützte Kernel-Funktionen: Linear, rbf, sigmoid, polynomial
• Individuelle Kernel-Funktionen sowie precomputed Funktionen werden nicht unterstützt
• Anmerkungen zu Modellparametern:
• Gamma = scale wird nicht unterstützt
• Gamma = auto_deprecated: Es wird exportiert gamma = 0.0
• Gamma = auto: Es wird gamma = 1/n_features exportiert.
• C = inf wird nicht unterstützt
• decision_function_shape = ovr wird nicht unterstützt. Es muss decision_function_shape = ovo verwendet werden. Default in Scikit-learn ist ovr!
• break_ties wird ignoriert, da decision_function_shape = ovr nicht unterstützt wird.
• Die API ist ausführlich im Kopf der Datei SciKitLearnSvm2Xml.py beschrieben.
  svm2xml(svm, input_scaling_bias=None, input_scaling_scal=None)
• net, obligatorisch, Klasse des trainierten Modells
• input_scaling_bias, optional, Liste (bei mehreren Features) sonst float oder int
• input_scaling_scal, optional, Liste (bei mehreren Features) sonst float oder int
• Rückgabe ist ein String-Dokument, welches als XML gespeichert werden kann.