Python转MATLAB常见问题(深度学习)

背景

用Python的keras深度学习框架完成的Unet网络代码转为MATLAB去实现，不能用MATLAB去调用Python里的包，所以说网络的底层都需要自己去实现，比如一维卷积层，一维池化层以及上采样层，还要加载训练好的网络参数等等，在实现过程中遇到的一些问题，拿出来写一写。

问题1 - reshape函数

这个是遇到最苟的问题，一直没想到是reshape函数出了问题。
MATLAB中的reshape函数是按照列的顺序进行读取转换的，也就是第一列读完，读第二列，如下面例子即依次读取 a 的每一列数据，存的时候也是按列进行存放，按顺序依次存放到目标矩阵的每一列得到 b ，也就是所谓的按列读取按列存放。

a = [1:6]
b = reshape(a, 2, 3)
c = reshape(a, 3, 2)

反观Python中的reshape函数，这里以numpy的reshape示例，与MATLAB相反，它是按行读取按行存放的，这是很容易出错的地方，使用的时候一定要注意！

import numpy as np
a = np.linspace(1,6,6)
b = np.reshape(a, [2, 3])
c = np.reshape(a, [3, 2])
print('a = \n', a)
print('b = \n', b)
print('c = \n', c)

Tips：无论用哪种语言的reshape，在使用时都要注意数据维度问题奥，维度不匹配也会出现错误，如果不确定维度或者懒得去想可以用以下方式解决：

% matlab 
b = reshape(a, 3, [])  % 未知维度用中括号顶替，结果是一样的，会自动补齐维度
c = reshape(a, [], 2)

# Python
b = np.reshape(a, [3, -1])  # 未知维度参数设为-1，reshape结果也是一样的
print('b = \n', b)
c = np.reshape(a, [-1, 2]) 
print('c = \n', c)

如果想让俩种语言实现效果一致，比如用MATLAB实现的Python的reshape，可以通过先用reshape得到原目标矩阵的转置矩阵，然后再求转置：

a = [1:6]
b = reshape(a, 2, 3)
b = b'   % 此时b为目标矩阵，维度为3*2，与上述Python结果一致

问题2 - 索引问题

这个算比较常见的，MATLAB的索引是从1开始的，而Python的索引是从0开始的：

% MATLAB
a = [1:6]
b = a(1)

# Python
import numpy as np
a = np.linspace(1,6,6)
b = a[1]
print('a = \n', a)
print('b = \n', b)

可以看出取出a[1]的数据，但MATLAB取的是数组里的第一个数，而python取的是第二个数,这便是索引起始位置不同引起的差异。
看一下两种代码获取相同数据的即视感：

seg_len = floor(test_flat(i)/sig_length);
for j = 1:seg_len   
    label = tmp_states((j-1)*sig_length+1:j*sig_length);
    a_sig = tmp_features((j-1)*sig_length+1:j*sig_length, :);
end

seg_len = int(flat[0][i]/sig_length)
for j in range(seg_len):
    label = tmp_states[j*sig_length:(j+1)*sig_length]
    a_sig = tmp_features[j*sig_length:(j+1)*sig_length]

一定要注意截取区间的设置！这两部分代码输入相同数据，输出是一致的。

问题3 - 补零问题

毕竟要底层实现网络各部分结构，比如卷积部分，池化部分，选取SAME或full的方式进行操作的时候，就会涉及到补零的问题（按步长为1考虑）。
要想正确补零，在实现时要知道卷积核大小是奇数还是偶数：

1. 当为奇数时，这时候若是一维卷积，上侧和下侧补零个数是相同的；若为二维卷积，左侧和右侧补零和数一致，都是(filter_size-1)/2。
2. 当为偶数时，这时候若是一维卷积，下侧补零个数要比上侧多一；若为二维卷积，右侧补零个数要比左侧个数多一。上侧补零个数为filter_size/2-1，下侧为filter_size/2。
   （不懂的小伙伴可以看一下三种padding方式，补零的时候一定要注意）
   demo:

top = floor((filter_size-1) /2);  % 上侧补零个数
bottom = filter_size - top ;  % 下侧补零个数

问题4 - keras的concatenate和UpSampling1D函数

这两个函数都是keras里相对简单的函数，其中从concatenate函数即为简单的按列进行拼接，而UpSampling1D函数也是最简单简单重复采样函数。它们的实现的效果如下：


有疑问的小伙伴可以私聊我奥，冲啊一起变强！
留言：“半山腰太挤了，我想去山顶看看”