在科研中，matlab對矩陣處理有優(yōu)勢，而python語言對神經(jīng)網(wǎng)絡(luò)熱門框架，譬如TensorFlow、Pytorch等都支持，所以難免會(huì)有需要跨平臺處理。本文主要分享一種簡便的處理方法：在.mat格式的文件中寫入讀取數(shù)據(jù)，因?yàn)?mat格式matlab和python都支持。
一、讀寫matlab變量
- python中讀寫.mat數(shù)據(jù)文件
import tensorflow as tf
import scipy.io as io
import numpy as np
# 將.mat文件讀取為字典變量InputData
InputData = io.loadmat('MatlabData.mat')
# 從字典變量中讀取變量
A = tf.constant(InputData['A'])
A = tf.cast(A, dtype = tf.float32)
B = tf.constant(InputData['B'])
......
A = np.mat(A.numpy())
B = np.mat(B.numpy())
# 將變量A保存為X，將變量B保存為Y，并寫入到.mat文件
io.savemat('PythonData.mat',{'X':A, 'Y':B})
- matlab中讀寫.mat數(shù)據(jù)文件
load PythonData
save MatlabData #保存全部變量
save MatlabData A B; #保存指定變量A、B
save ('MatlabData.mat', 'A','B');
二、張量的理解
2.1 初始化張量
# 定義一個(gè)隨機(jī)數(shù)（標(biāo)量）
random_float = tf.random.uniform(shape=())
# 定義一個(gè)有2個(gè)元素的零向量
zero_vector = tf.zeros(shape=(2))
# 定義兩個(gè)2×2的常量矩陣
A = tf.constant([[1., 2.], [3., 4.]])
2.2 輸出張量特征
# 查看矩陣A的形狀、類型和值
print(A.shape) # 輸出(2, 2)，即矩陣的長和寬均為2
print(A.dtype) # 輸出<dtype: 'float32'>
print(A.numpy()) # 輸出[[1. 2.]
# [3. 4.]]
2.3 基本張量操作
C = tf.add(A, B) # 計(jì)算矩陣A和B的和
D = tf.matmul(A, B) # 計(jì)算矩陣A和B的乘積
E = tf.mutiply(A, 1) # 計(jì)算矩陣A與1的數(shù)乘
tf.square(x) # 對張量x每個(gè)元素平方，并返回同維度張量
tf.log(x) # 對張量x每個(gè)元素求自然對數(shù)，同上
tf.reduce_sum(x) # 對所有元素求和，返回0維張量(標(biāo)量)
# tf.reduce_sum(x,0) # 求列和(縱向求和)
# tf.reduce_sum(x,1) # 求行和(橫向求和)
tf.reduce_mean() # 用法類似于tf.reduce_sum、tf.reduce_max
