Matlab学习Day1 Task01 matlab.m文件

语法知识

函数M文件

函数都以后缀为M的函数文件编写。
当调用MATLAB函数时,在命令窗口输入函数名,即可调用。
例:求解三次代数方程

 syms x
y=x^3+6*x^2+11*x+6
y1=sym2poly(y)
 roots(y1)

运行结果:

ans =

   -3.0000
   -2.0000
   -1.0000

函数
syms 设置x为符号变量
sym2poly(y)将多项式转换成系数向量
roots(y1)求解方程式的根

注意若直接输入系数向量y1,以上3个语句可省略
在这里插入图片描述

函数M文件的组成

1、函数定义行
2、帮助文本的标题行
3、帮助文本的内容
4、函数体
5、附注
以平均值函数mean为例:
(在matlab中输入type mean)

function y = mean (x,dim)
if nargin = = 1
if isempty (dim),dim = 1; end y = sum (x) /size (x,dim);
else
y = sum (x? dim) /size (x,dim);
end	

内联函数

F = inline (expr,‘xl’,‘x2’,…,‘xn’)
inline 内联函数;
expr——以字符串形式的数学表达式;
xl,x2,…,xn— —数学表达式 expr 中的变量。
例用内联函数来表亦y = sinx + sin2 x,并求x = pi/4时的函数值

y = inline ('sin (x) + sin (x)1''x')	
Inline function:
y(x) =sin (X) + sin (x)^2
》y (Pi/4)	%计算X = Pi/4时的函数值
ans =
1.2071

文本M文件

函数M文件与文本M文件的区别有以下几点:
(1) 函数M文件在函数名中接受输入数据,而文本M文件只向工作空间或键盘接受数 据。
(2) 函数M文件的运算操作在内部专用存储器中进行,与工作空间无关,而文本M文 件的数据交换则在工作空间进行。
(3) 文本M文件能调用函数M文件,而函数M文件不能调用文本M文件,否则将显 示出错。

M文件的编辑和存储

用编辑器啦,点一点就OK。

总结思考

直接输入Matlab代码是输入一行执行一行,M文件就像是Notepad++一样的先将代码写下来。
今天的内容有些不是很基础,理论性强,希望自己多多练习、坚持下去。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值