迁移学习中常用到的matlab函数——持续更新

最新推荐文章于 2024-11-17 17:57:16 发布

原创最新推荐文章于 2024-11-17 17:57:16 发布 · 1k 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#maltab #迁移学习

迁移学习同时被 2 个专栏收录

2 篇文章

订阅专栏

matlab

1 篇文章

订阅专栏

这篇博客详细介绍了在迁移学习背景下，MATLAB中一些重要的函数用法，包括sum()函数的列、行和矩阵求和，diag()函数创建和提取对角线元素，元素级运算符./、.^和.*,以及size()函数获取矩阵维度，和zscore()函数进行标准化处理。每个函数都配以实例演示，便于理解。" 85052970,5763505,MapReduce的shuffle与排序详解,"['MapReduce', 'shuffle']

A = [1 2; 4 5];
B = repmat(A,4,3)

Output

B =

     1     2     1     2     1     2
     4     5     4     5     4     5
     1     2     1     2     1     2
     4     5     4     5     4     5
     1     2     1     2     1     2
     4     5     4     5     4     5
     1     2     1     2     1     2
     4     5     4     5     4     5

2 sum()

b = sum(a) 列求和

b = sum(a,2) 行求和

b = sum(a(:)) 矩阵求和

Example

A = [1 2; 4 5];
b = sum(A)
c = sum(A,2)
d = sum(A(:))

Output

3 diag()

3.1 X = diag(v,k)

X为矩阵，v为向量，以v的元素作为矩阵x的第k条对角线，其余位置补0；
k=0，对角线；
k<0，对角线下方；
k>0，对角线上方。

Example

v = [1 2 4 5];
X= diag(v,2)

Output


X =

     0     0     1     0     0     0
     0     0     0     2     0     0
     0     0     0     0     4     0
     0     0     0     0     0     5
     0     0     0     0     0     0
     0     0     0     0     0     0

3.2 v = diag(X,k)

X为矩阵，v为向量，取矩阵X的第k条对角线的元素向量v

Example

X = [1 2 3; 4 5 6; 7 8 9]
v = diag(X,-1)

Output


X =

     1     2     3
     4     5     6
     7     8     9


v =

     4
     8

4 ./ .^ .*

./ .^ .*是对矩阵里每一个元素进行操作。而* ^ /是对整个矩阵进行操作。

Example

X = [1 2 3; 4 5 6; 7 8 9]
Y1 = X.^2
Y2 = X^2

Output

X =

     1     2     3
     4     5     6
     7     8     9


Y1 =

     1     4     9
    16    25    36
    49    64    81


Y2 =

    30    36    42
    66    81    96
   102   126   150

5 size()

m = size(X,dim)

返回第dim维的尺寸。

Example

X = [1 2 3; 4 5 6]
m1 = size(X,1)
m2 = size(X,2)

Output


X =

     1     2     3
     4     5     6


m1 =

     2


m2 =

     3

6 zscore()

Z = (X-mean(X))./std(X)

Example

X = [1 2 3; 4 5 6];
X1 = X./repmat(sum(X,2),1,size(X,2))
[A,A_mean,A_std] = zscore(X1);

C_mean = mean(X1)
C_std = std(X1)
C = (X1-repmat(C_mean,size(X1,1),1))./repmat(C_std,size(X1,1),1)

[B,B_mean,B_std] = zscore(X1,1);

Output

从结果可以看出，A和C的结果相同，但是和B不相同。

X1 =

    0.1667    0.3333    0.5000
    0.2667    0.3333    0.4000


A =

   -0.7071         0    0.7071
    0.7071         0   -0.7071


A_mean =

    0.2167    0.3333    0.4500


A_std =

    0.0707         0    0.0707


C_mean =

    0.2167    0.3333    0.4500


C_std =

    0.0707         0    0.0707


C =

   -0.7071       NaN    0.7071
    0.7071       NaN   -0.7071


B =

   -1.0000         0    1.0000
    1.0000         0   -1.0000


B_mean =

    0.2167    0.3333    0.4500


B_std =

    0.0500         0    0.0500