Ng第五课：Octave 教程(Octave Tutorial)2

Posted 2020-09-16 Real-Ying

5.1  基本操作

5.2  对数据进行灵活操作

5.3  计算数据

5.4  数据可视化

5.5  控制语句和函数

5.6  矢量化

---

 

 

官网安装：Installation

 

在线文档：http://www.gnu.org/software/octave/doc/interpreter/

 

 

5.1  基本操作

算术运算，逻辑运算    #%用于注释

 

ps1(\'>> \');可以改变提示符的样子    #注意分号

 

变量赋值    #加上分号后不直接打印出来，不加分号可以直接打印出来

 

disp()和sprintf()用于打印显示变量，两者可结合使用格式输出。format可以使接下来打印的结果格式发生改变。

 

创建矩阵或向量

 

第一个例子是创建列向量

第二三个例子是有无步长创建横向量

 

创建全为1、全为0的矩阵，创建随机数矩阵

hist是用直方图形式显示各范围元素的个数，如：

用hist显示为，其中hist(w,a)，a表示把直方图分为a份。

 

创建单位矩阵

---

 

5.2对数据进行灵活操作

——数据的各种可能的操作方式

计算矩阵维度、第一个维度、第二个维度，最大维度：

 

pwd显示当前工作目录，cd \'.....\'切换工作目录，ls列出当前目录中文件

 

加载文件、查看变量、查看详细变量信息    #load X和load(\'X\')的作用一致

clear删除所有的变量，clear变量名删除某一个变量

 

 

priceY(m:n)表示取向量的第m个元素到第n个元素进行赋值    #对于矩阵来说，元素编号是从上到下，从左向右依次编号

 

将矩阵数据存储到文件中，保存为文本格式，.dat格式也可以

 

 

 对矩阵进行切片索引和拓展

 

  奇特的将第一和三行的所有元素进行切片显示

创建后的赋值方式

将矩阵所有元素依次放入一个向量中

组合矩阵

---

 

5.3数据运算

A*C：A与C矩阵正常相乘

A .* B：两个矩阵中的每个对应位置的元素相乘

A .^ 2：对矩阵每个元素进行平方

1./A：对A的每个元素进行除法，这里是每个元素取倒

 

log(A)：以e为底，对每个元素求log

exp(A)：以e的A中每个元素为幂的结果

abs(A)：对A的每个元素求绝对值

 

-A：对A的每个元素求负数

v+1：对v中每个元素都加1

A‘：矩阵A的转置

pinv()：求矩阵逆

 

max(v)：向量v中最大的元素，矩阵的含义有点不同，得到包含了来自各列的最大元素组成的行向量

A<3：对每个元素都进行比较，得到的结果为1或者0

find(A<3)：得到一个向量，列出相应小于3的元素的索引

magic(n)：生成nxn的矩阵，每行每列每个对角线得到的和相同

 

sum：将矩阵所有元素进行相加

prod：将数组元素全部相乘，如果是矩阵，则是对每一列看作向量进行相乘，得到向量

floor：对每个元素向下取整

ceil：对每个元素向上取整

---

5.4 数据可视化

  

 

对变量t进行赋值，构造正弦函数，然后作图：

 

 

xlabel对x轴命名，legend对每条线进行说明，title追加名字，print保存图像到本地

 

 

 

代码第1行关闭图像，23行对图像命名，4567行将一张图分为两部分呈现第1部分，第8行分别设置x轴和y轴的范围，clf清除现有图像中的内容

之后是用imagesc对矩阵进行可视化

 

 

---

 

5.5 控制语句和函数

 

for循环语句的例子

 

 

 

while循环例子    #习惯于循环后打逗号，代码有缩进便于阅读，用end表示代码的结束，分号和写c相似

 

 

if语句的例子，和c完全一致    #使用quit或者exit可以使matlab退出

 

 

 

 

用wordpad自定义一个函数

 

切换到路径下，或者用addpath加入搜索路径，可以使用自定义函数。

 

 

注：自定义函数的用法，必须创建.m文件，且文件名和函数名称必须一致。

 

 

EXP下面举个计算成本函数的例子，有这样一个数据集合，计算他的成本函数

 

首先输入数据集合

 

然后输入自定义函数

 

直接计算结果

 

---

 

 

5.6 向量化

 

本节讲解如何使用计算机和软件自带的库来加速运算。将大量数据向量化，使用矩阵工具进行运算，可以借助机器大大加快处理速度。

EXP举一个数据向量化的例子，对于图中的运算，可以抽象为两个向量。如果不用矩阵，直接运算的话，程序如下图左所示。用矩阵则如图右所示，更简单。

 

以上图中的运算为例子，如何快速的同步运算thelta，如何向量化，加速运算

 

 分解成各部分然后变成向量