五： Octave基本操作

1 基本运算

 + - * / ^   (加减乘除次方)
 == ~= (相等不等判断)
 && || (逻辑运算)
 xor(a,b)   (异或运算)
 % 注释符

2 变量

  a=1
  a='teststr'
  a=(a>=2)
  a=pi
  format long/short (格式控制)
  disp(sprintf('2 decimals: %0.2f',a)) (自定义格式输出)
  who/whos (查看变量)
  clear xx (清除变量)

3 矩阵
 

  A=[1 2;3 4;5 6]
  B=[1 2 3]  (行向量)
  C=[1;2;3]  (列向量)
  v=1:0.1:2  (步长控制向量生成)
  ones(m,n)  (一矩阵)
  zeros(m,n)  (零矩阵)
  rand(m,n)   (随机矩阵)
  randn(q,n)  (高斯分布)
  eye(n)     (单位矩阵)
  magic(n)   (魔幻矩阵)
  size(A)     (返回m,n 矩阵维度)
  length(B)   (返回向量长度)
  ------------------------------
  hist(A) (直方图)

4 数据处理
 

  加载: load
  存储：save
  选取数据：A(2,3)  A(2,:) A(:,3) A([1 3],:)
  横向拼接:C=[A B]
  竖向拼接：C=[A;B]

6 数据计算
 

  A+B
  A*B(矩阵乘法) 
  A.*B(点乘)
  A+1
  A*2
  log(A)
  exp(A)
  abs(A)
  -A
  floor(A)
  ceil(A) 
  sum(A)   
  prod(A)
  max(A)
  max(A,[],1)  (列维度)
  max(A,[],2)  (行维度)
  max(max(A)) / max(A(:))
  A' (转置)
  pinv(A) (逆矩阵)
  A<3 (返回判断值)
  find(A<3) (直接返回判断角标值)
  [r,z]=find(A<3) (返回两个向量，r代表行，z代表列，组合指定判断符合条件的数据)

7 绘图
 

  测试数据：
  % t=[0:0.01:0.98]; 
  % y1=sin(2*pi*4*t);
  % y2=cos(2*pi*4*t);
  plot(t,y1)   (正弦函数)
  plot(t,y2,'r')  (余弦函数)
  -----------------------
  hold on;  (附加图)
  xlabel('time');
  ylabel('value');
  legend('sin','cos');
  title('my plot');
  axis([0.5 1 -1 1]); (坐标轴调整)
  ----------------------
  figure(1);plot(t,y1);
  figure(2);plot(t,y2);
  ----------------------
  分格子区域作图：
  subplot(1,2,1);plot(t,y1);
  subplot(1,2,2);plot(t,y2);
  -------------------------
  imagesc(magic(15)),colorbar,colormap gray

8 控制语句
 

  for i = 1:10
    v(i) = 2^i;
  end;
  -------------------------
  while i <= 5
    v(i) = 100;
    i = i+1;
  end;
  -------------------------
  while true,
    v(i) = 500;
    i = i+1;
    if i == 8,
        break;
    end;
  end;
  -------------------------
  if v(1) == 1,
    disp('value is 1');
  elseif v(1) == 2,
    disp('value is 2');
  else
    disp('value is not 1/2');
  end;
  ------------------------
 

 function定义：（可设置多返回值）

 如：函数文件SquareAndCubeThisNumber.m

      

调用测试：

      
 

9 向量化
  可简化循环处理、提升效率
  如：批梯度下降函数
  按照传统思想需要对所有的特征参数循环求解，向量化后

  

theta为n+1维参数向量，阿尔法为常数，黄色标记区域也为一个n+1维向量，第i项数据为每条样本代价差*样本第i项特征数据求和求平均；（n为特征数，m为样本数）

则此计算可以转化为n+1维向量运算；

  
  
  

------------------------------------------------------------------------------------------------------------------------------------

文章内容学习整理于吴教授公开课课程与黄博士笔记，感谢！