如何用MATLAB调用python实现深度学习？

很多比较新颖的神经网络、深度学习模型一般都是用torch包、tensorflow包写的这让习惯了MATLAB语言的小伙伴望而却步。说实话用了这么多年的MATLAB只要看到matlab语言就感觉亲切至少不会发怵感觉再难的代码也可以嚼碎了一点点理解。人就是不太愿意接受新鲜事物当熟悉了一门语言只要不是逼入绝境就不想去尝试新的。总觉得别的语言能做的事情那MATLAB也就必须得能做才行。从见识到pytorch库的强大后就老想着为什么只能采用python调用就不能直接采用MATLAB调用吗MATLAB具有强大的数据处理能力矩阵运算能力再加上可以直接调用pytorch等深度学习包那这不直接逆天了。这里我认为如果非要为MATLAB调用python找一个理由的话我认为matlab的simulink是现在任何软件都无法替代的如果在用一些新颖的深度学习算法与simulink结合的时候就可以通过调用python来实现了。其实只要打通一个模型网络那剩下的就一通百通从今往后只要是你pytorch包有的网络模型我在MATLAB就可以实现调用就在昨天下午突然心血来潮说干就干搞了多半天终于是搞定了这次就先从一个最简单的CNN分类器代码学起。如果你也对MATLAB调用pytorch包感兴趣想用MATLAB实现各大深度学习模型接下来就跟我一起探索吧1.前期准备工作想要实现MATLAB调用pytorch包前期的准备工作必不可少。1. 确保你的系统已经正确安装了Python并且将Python添加到了系统的环境变量中。我这里用的是2024a的matlab版本安装的python是3.9.4的。不确定安装哪个python版本的小伙伴可以看下图对照你自己的MATLAB版本去安装对应的python版本即可。2. 装好python后在MATLAB命令窗口中使用pyenv命令检查MATLAB当前使用的Python版本显示如下就代表你的MATLAB可以搜索到电脑上的python了。3. 测试。先给自己的电脑装一个numpy包测试一下吧。安装的时候可以首先修改你的默认镜像源然后再装一个指定版本的numpy包。我这里装的是1.26.4版本的numpy包因为torch这个库里边很多包都是基于1.x版本的numpy写的如果你装2.x版本的numpy可能会报错所以这里建议你还是装一个1.x版本的numpy# 修改默认镜像源保证你现在包的时候更迅速pip config setglobal.index-url https://mirrors.aliyun.com/pypi/simple/#安装指定版本的numpy包pip install numpy1.26.4接下来再MATLAB窗口测试一下。使用py.module_name语法来引入Python模块。module_name是你要调用的Python模块的名称。比如我这里调用numpy包将[1,2;2,3]的2*2矩阵转换为了python ndarray对象。好的能到这里的朋友你已经成功了一多半了因为接下来的代码编写任务交给我就行了哦对了记得再pip一个torch包哦代码如下# 我这里用的是2.3.1版本的torch包pip install torch2.3.12.MATLAB主脚本编写%% 初始化clearclose allclcclear class %准备调用python前清除一下classpe pyenv; %检验python是否安装正确if pe.Version error(未能正确配置python)endclear classes; %清除所有类当改写python库的时候方便重新加载py.sys.path().append(pwd) %添加自己写的python库路径mod py.importlib.import_module(CNN_1D); %将自己写的pytorch神经网络函数加载进来py.importlib.reload(mod); %调用 %% 加载数据data readmatrix(特征数据.xlsx);%输入输出数据inputdata(:,2:end);output data(:,1);% 划分训练集和测试集jg 500; %每组实际上有500个样本tn 420; %选前tn个样本进行训练剩下的用于测试input_train []; output_train [];input_test []; output_test [];max_sort 4; %一共有4类for i 1:max_sort %一共有4类 input_train[input_train;input(1jg*(i-1):jg*(i-1)tn,:)]; output_train[output_train;output(1jg*(i-1):jg*(i-1)tn,:)]; input_test[input_test;input(jg*(i-1)tn1:i*jg,:)]; output_test[output_test;output(jg*(i-1)tn1:i*jg,:)];endinput_train input_train; label_train output_train;input_test input_test; label_test output_test;%归一化[inputn_train,inputps]mapminmax(input_train);[inputn_test,inputtestps]mapminmax(apply,input_test,inputps);inputn_train inputn_train;inputn_test inputn_test; %% 重头戏来了采用MATLAB调用CNN1D模型batch_size 32; %批训练大小% # 将测试集和训练集转换为pytorch类型% CNN_1D就是我自己写的函数里边集成了模型的构建、预测以及数据的转换等功能 % 这里调用了CNN_1D种的数据转换功能% 再给python传递数据的时候记得先把数据转换一下比如这里的py.numpy.array就是将MATLAB数据转换为python的ndarry数据train_dataset py.CNN_1D.SignalDataset(py.numpy.array(inputn_train), py.numpy.array(label_train));% 这里调用了torch自带的DataLoader函数train_loader py.torch.utils.data.DataLoader(train_dataset,py.int(batch_size),true);test_dataset py.CNN_1D.SignalDataset(py.numpy.array(inputn_test), py.numpy.array(label_test));test_loader py.torch.utils.data.DataLoader(test_dataset, py.int(batch_size),false); % 创建1DCNN模型% 这里的conv_arch是网络模型结构输入的是((2,32),(1,64).(1,128))% 代表的意思就是首先创建了2层滤波器个数都是32的卷积层然后创建了1层滤波器个数是64的卷积层然后创建了1层滤波器个数是128的卷积层% 这里你可以任意修改层数和滤波器个数至于核大小你如果也想改的话我这里懒了就没写出来参数接口你可以到CNN_1D.py文件里边找到kernel_size进行修改modelt py.CNN_1D.CNN1DClassifier(... pyargs( ... conv_arch,{[int16(2),int16(32)],[int16(1),int16(64)],[int16(1),int16(128)]},... num_classes,py.int(max_sort),... signal_length,py.int(size(inputn_train,2)),... epochs,py.int(200),... batch_size,py.int(32),... learn_rate,1e-4));% 模型训练modelt.fit(train_loader); % 模型预测predicted_labels modelt.predict(test_loader);Yhat double(predicted_labels);%正确率分析test_accuracy(sum(label_testYhat))/length(label_test);看一下上述代码是不是非常的简单清晰明了准备好数据之后做一个torch类型的转换然后直接调用写好的CNN_1D函数创建模型实例最后直接将训练集送入模型训练最后就是一个预测。3.CNN_1D的python函数编写关于这个CNN_1D函数就得在python里边预先设置好了。下面附上我写的代码供大家参考。import torchimport torch.nn as nnfrom torch.utils.data import DataLoadertorch.manual_seed(200) # 数据转换的类classSignalDataset():def__init__(self, signals, labels):self.signals signalsself.labels labels def__len__(self):return len(self.signals) def__getitem__(self, idx): signal self.signals[idx] label self.labels[idx]return torch.tensor(signal, dtypetorch.float32).unsqueeze(0), torch.tensor(label, dtypetorch.long) # 创建CNN1D模型的类classCNN1DModel(nn.Module):def__init__(self,conv_archs,num_classes,signal_length,batch_size,input_channels1):super(CNN1DModel,self).__init__()self.batch_size batch_sizeself.signal_length signal_length#CNN参数self.conv_archconv_archs #网络结构self.input_channelsinput_channels # 输入通道数self.features self.make_layers()self.avgpool nn.AdaptiveAvgPool1d(9)#定义全连接层self.classifier nn.Sequential( nn.Linear(128*3*3,100), nn.ReLU(inplaceTrue), nn.Dropout(),#nn.Linear(1024,1024),# nn.ReLU(inplaceTrue),#nn.Dropout(), nn.Linear(100,num_classes), )#CNN卷积池化结构defmake_layers(self): layers[]for (num_convs,out_channels)inself.conv_arch:for_in range(num_convs): layers.append(nn.Conv1d(self.input_channels,out_channels,kernel_size2,padding1)) layers.append(nn.ReLU(inplaceTrue))self.input_channels out_channels layers.append(nn.MaxPool1d(kernel_size2,stride2))return nn.Sequential(*layers) defforward(self,input_seq):# 改变输入形状适应网络输入[batch,.Hin,seq_length] input_seqinput_seq.view(-1,1,self.signal_length) features self.features(input_seq)#torch.Size([32,1,1024]) x self.avgpool(features) #torch.5ize([32,128,9]) flat_tensor x.view(input_seq.shape[0],-1)#torch.Size([32,1152]) output self.classifier(flat_tensor) # torch.Size([32,10])return output # CNN1D模型接口的类再MATLAB主脚本那里就是调用的CNN1DClassifier这个类。# 这个CNN1DClassifier类调用了上面的CNN1DModel还定义了训练和预测的功能classCNN1DClassifier():def__init__(self, conv_arch, num_classes,signal_length, epochs50,batch_size32,learn_rate1e-4):# 定义模型参数# conv_arch ((2, 32), (1, 64), (1, 128))# num_classes 10 model CNN1DModel(conv_arch, num_classes, signal_length, batch_size) print(model)# 定义损失函数和优化函数self.device torch.device(cudaif torch.cuda.is_available() elsecpu)self.model model.to(self.device)self.loss_function nn.CrossEntropyLoss(reductionsum) # lossself.optimizer torch.optim.Adam(model.parameters(), learn_rate) # 优化器self.epochs epochsdeffit(self,train_loader):# 训练模型 device torch.device(cuda if torch.cuda.is_available() else cpu) for epoch in range(self.epochs):self.model.train() running_loss 0.0for X_train, Y_train intrain_loader: X_train, Y_train X_train.to(device), Y_train.to(device)self.optimizer.zero_grad() outputs self.model(X_train) loss self.loss_function(outputs, Y_train) loss.backward()self.optimizer.step() running_loss loss.item() print(fEpoch {epoch 1}/{self.epochs}, Loss: {running_loss / len(train_loader)}) torch.save(self.model,CNN_1d_trained_model.pt)defpredict(self,test_loader): predicted_labels torch.tensor([])# 加载模型 model torch.load(CNN_1d_trained_model.pt)# model torch.load(best_model_cnn2d.pt, map_locationtorch.device(cpu))# 将模型设置为评估模式 model.eval()# 使用测试集数据进行推断 with torch.no_grad(): correct_test 0 test_loss 0for X_test, Y_test intest_loader: X_test, Y_test X_test.to(self.device), Y_test.to(self.device) test_output model(X_test) probabilities torch.nn.functional.softmax(test_output, dim1) batch_predicted_labels torch.argmax(probabilities, dim1) correct_test (batch_predicted_labels Y_test).sum().item() loss self.loss_function(test_output, Y_test) test_loss loss.item() predicted_labels torch.cat((predicted_labels, batch_predicted_labels)) test_accuracy correct_test / len(test_loader.dataset) test_loss test_loss / len(test_loader.dataset) print(fTest Accuracy: {test_accuracy:4.4f} Test Loss: {test_loss:10.8f}) return predicted_labels.numpy()运行结果本期代码可以免费获取后台回复关键词获取更多代码