使用subplot(row, col, i)创建的子图，matlab会隐式地调整它们的间距以及它们和整个figure的边距，以达到它所认为的美观或者合理的设置，然而如果我们想根据需求设置合理的间距以及边距，该怎么定制呢？这里提供一个函数（是在没必要把时间花费在这种繁琐的格式上）：function ha = tight_subplot(Nh, Nw, gap, marg_h, marg_w)% tig

Prerequisites概念计算方式对于精度要求高且纹理细密的纹理分布，我们取像素间距为d=1d = 1，以下是方向的说明：我们来看，matlab内置工具箱中的灰度共生矩阵的生成函数graycomatrix（gray-level co-occurrence matrix）对方向的说明： 如上图所示，方向是在每一个像素点（pixel of interest）的邻域（当然，边界点除外）中获得的，

数学意义的相等all(A(:) == B(:))isequal(A, B)但须注意的是：B = A，未必能保证 isequal(A, B)返回真，因为如果 A 中包含NaN，因为按照定义，NaN ~= NaN>> A = [1, NaN]>> B = A>> isequal(A, B)0>> NaN == NaN0浮点数相等对于浮点数矩阵，判断两个矩阵是否精确相等意义不大，真正有意义的

mnist database（手写字符识别） 的数据集下载地：http://yann.lecun.com/exdb/mnist/。共有四个文件需要下载：train-images-idx3-ubyte.gz，训练集，共 60,000 幅（28*28）的图像数据；train-labels-idx1-ubyte.gz，训练集的标签信息（取值为 0-9），60,000*1t10k-images-idx

多元函数的数值梯度，用于校验多元函数的解析解（或者书写是否有误）的准确性。function numgrad = computeNumericGradient(J, theta)epsilon = 1e-4;n = size(theta, 1);numgrad = zeros(n);for i = 1:n, tmp1 = theta; tmp2 = theta; tm

m = 4; n = 5; % m, n 均可设置for i = 1:m*n; subplot(m, n, i), imshow(...)end

minFunc minFunc is a Matlab function for unconstrained optimization（无约束最优化） of differentiable real-valued multivariate functions （可微分实值多元函数）using line-search methods（线性搜索）.

% remove DCdata = bsxfun(@minus, data, mean(data)); % 一个矩阵减去一个行向量， % 会对该行向量在列的方向进行 broadcast（广播）、扩散

对一个矩阵在行的方向进行 normalize，也即每一行的二范数归一化为 1。简单脚本实现>> X = magic(3);>> N = sqrt(sum(X.^2, 2) + 1e-8);>> X = X ./ (N*ones(1, 3));函数function [Y, N] = l2row(X)N = sqrt(sum(X.^2, 2) + 1e-8);Y = X ./ (N*ones(1

（1）imhist：histogram，统计学意义上的直方图1. stem 茎叶图

（1） 第一个参数是二元算子（2） 执行的逐元素（element-wise）的运算（3） 如果是一个行向量和一个矩阵进行二元运算，则会首先把行向量broadcast（广播、扩散）直至和矩阵的维度匹配。同理，一个列向量和一个矩阵二元运算也是如此。

I = imread('pout.tif'); % matlab 自带图像[cnts, x] = imhist(I, 32);[m, n] = size(I)prob = cnts / m / n;stem(x, prob)

0：黑色，1：白色；h = 256; w = 256; r = 70; % 分别表示：高，宽，内部圆的半径I = ones(h, w);[x, y] = meshgrid(1:w, 1:h); % 注意 meshgrid 参数的顺序I(((x-ceil(w/2)).^2+(y-ceil(h/2)).^2) <= r^2) = 0;

A 为复矩阵A = 1.0000 + 0.0000i 2.0000 - 3.0000i 3.0000 + 0.0000i 4.0000 + 0.0000i 4.0000 + 0.0000i 3.0000 + 4.0000i 2.0000 + 5.0000i 1.0000 + 0.0000i 7.0000 + 0.0000i 8.0000 + 2.0000

首先考虑矩阵代表的物理意义，Xd×nX_{d\times n}，dd 表示特征维度，nn：表示样本个数，此时 shuffle 该矩阵，是对列进行shuffle；反之，则是对行进行 shuffle。所谓 shuffle，其实是获得一次全排列。>> d = 10; n = 100;>> X = randn(d, n);>> X = X(:, randperm(n))>> X = randn(n, d

我们知道一个好的权值矩阵的初始化方式将会带来收敛效率的提升。本文所实现的前馈网络的权值矩阵初始化方式来源于： Xavier Glorot，Yoshua Bengio，Understanding the difficulty of training deep feedforward neural networks。normalized initialization：W∼U⎡⎣−6nj+nj+1−−−

>> rng('default');>> A = randi(3, 2, 3); B = randi(3, 3, 2);matlab 原生支持>> A*Bans = 11 16 12 15定义C = zeros(size(A, 1), size(B, 2));for i = 1:size(A, 1), for j = 1:size(B, 2),

mat2imgcellfunction Img = mat2imgcell(D, h, w, fmt)N = size(D, 2);Img = cell(N, 1);for i = 1:N, Img{i} = reshape(D(:, i), h, w, (fmt=='gray')*1+(fmt=='color')*3)end

总结matlab常见错误：1. *与.*2. 创建图像块，列序 or 行序？3. imwrite、saveas、print

function [Z, Wsep, Wmix, m, U, S, V] = zca(X, portion),if nargin < 2, portion = 1;endX_org = X;rndidx = randperm(size(X, 1));X = X(rndidx(1:round(size(X, 1)*portion)), :);m = mean(X);Xc = bsxf

clc; clear; close all;list = dir('./*.pgm'); % list 为结构体数组for i = 1:length(list), imwrite(imread(list(i).name), [list(i).name(1:end-3) 'png']);end

MSE=1mn∑i=0m−1∑j=0n−1∥I(i,j)−K(i,j)∥2PSNR=10⋅log10(MAX2IMSE)=20⋅log10(MAXIMSE−−−−−√)\begin{split}&MSE=\frac1{mn}\sum_{i=0}^{m-1}\sum_{j=0}^{n-1}\left\|I(i,j)-K(i,j)\right\|^2\\&PSNR=10\cdot \log_{10

AWG：Additive White Gaussianim_clean = double(imread('./lena512.png'));sigma = 25;im_noisy = im_clean + sigma * randn(size(im_clean));

两类正太分布mu = [2, 3];sigma = [1, 0; 0, 2];X1 = mvnrnd(mu, sigma, 100);plot(X1(:, 1), X1(:, 2), 'r+')hold onmu = [7, 8];X2 = mvnrnd(mu, sigma, 100);plot(X2(:, 1), X2(:, 2), '+')

B = padarray(A,padsize,padval,direction)其中 padval：‘circular’：循环‘replicate’：重复‘symmetric’：镜像direction：‘both’：双向（下文我们均以最为复杂的both为例进行实验）‘pre’：前向‘post’：后向‘replicate’>> A = magic(4);>> B = padarray

image2cols：图像分块function patches = image2cols(im, pSz, stride)if nargin < 3, stride = 1; % stride：表示块间的偏移endrange_y = 1:stride:size(im, 1)-pSz+1;range_x = 1:stride:size(im, 2)-pSz+1;

使用 fliplr（左右），flipud （上下）翻转。matlab 提供的 padarray，其第三个参数无论是symmetric（对称），replicate（复制边缘），circular（周期）均无法实现关于边缘成镜像对称：>> A = magic(5);>> B = [fliplr(A(:, 2:3)) A fliplr(A(:, end-2:end-1))];>> C = [flipu

二者均有取余数的含义，区别在于近似的方式不同。modb = mod(a,m)等价与b = a - m.*floor(a./m) % floor 表示向下取整； % floor(.1) == 0 % floor(-.1) == -1remb = rem(a, b)等价于r = a - b.*fix(a./

%% ---------------------------------------------------------------function patches = normalizeData(patches)% Squash data to [0.1, 0.9] since we use sigmoid as the activation% function in the output l

function [h, array] = display_network(A, opt_normalize, opt_graycolor, cols, opt_colmajor)% This function visualizes filters in matrix A. Each column of A is a% filter. We will reshape each column in

fprintf('%6s%12s%12s%12s%12s\n','Iter', 'fObj','fResidue','fSparsity','fWeight');

内联函数>> f = inline('x^2 + y^3')f = 内联函数: f(x,y) = x^2+y^3>> f(2, 3)31其实 inline('x^2+y^3')等价于inline('x^2+y^3', 'x', 'y') % 后续可变参数标识参数列表匿名函数语法结构为：fhandle=@(arglist) expression>> f =

如果在调用绘图函数之前，不显示地声明figure()语句，则弹出的图像窗口的标题为 Figure 1。trick 来了，如果我们在一个迭代循环体中：...imshow(...) % ⇒ figure(1)...for iteration = 1:100, ... figure(1) imshow(...)end便会看到在同一个图

axis：轴，复数，axes Set axis limits and appearance，设置和控制轴的范围和外观；1. 设置坐标范围x = linspace(0,2*pi);y = sin(x);plot(x,y,'-o')axis([0, 2*pi, -1.5, 1.5]) % 注意参数是一个一维矩阵，

end 的更多用法。>> x = [1, 2, 3, 4, 5];>> x(end:-1:end-size(x, 2)+1)ans = 5 4 3 2 1

所谓矩阵阈值化，比如将矩阵中的小于某一阈值的元素全部被置零。>> A = randn(3, 4)A = 0.5377 0.8622 -0.4336 2.7694 1.8339 0.3188 0.3426 -1.3499 -2.2588 -1.3077 3.5784 3.0349>> A .* (A > 0)ans = 0.53

1. normfit 进行参数的估计[muhat,sigmahat] = normfit(data) % returns an estimate of the mean μ in muhat, % and an estimate of the standard deviation σ in sigmahat, % of the normal distribution

>> A = [1 2 3 4; 4 3 2 1; 5 6 7 8; 8 7 5 6]交换第一行，和第三行：>> A([1, 3], :) = A([3, 1], :)交换第一列，和第三列：>> A(:, [1, 3]) = A(:, [3, 1])

1. textread()以字符串的形式组织每一行：>> textread('**.txt', '%s', 'delimiter', '\n')

matlab 并未提供专门的表示集合的数据结构，仍然使用矩阵进行表示（unique() 函数去重）。intersect(A, B)：交集union(A, B)：并集setdiff(A, B)：差集（在A不在B）setxor(A, B)：异或（ = setdiff(union(A, B), intersect(A, B))）ismember(A, B)：是否属于