Xem điều này, hoặc withsystem ['python python_script.py'];, or withsystem['python python_script.py'];
Đây là kết quả hàng đầu cho tìm kiếm Google của tôi: Liên kếtlink
Tôi có mã python. Làm thế nào tôi có thể chuyển đổi nó thành mã matlab hoặc có bất kỳ tùy chọn nào thực hiện cùng một
Nhập CV2
Từ hình ảnh nhập khẩu PIL
nhập khẩu NUMPY dưới dạng NP
Từ Glob Ch gia đình Glob
Nhập hệ điều hành
def main []:
# Đường dẫn của thư mục chứa các hình ảnh thô
inpath = ["z: // ngẫu nhiên"]
# đường dẫn của thư mục sẽ chứa hình ảnh đã sửa đổi
outpath = ["z:/bình thườngTogray"]
Đối với các tệp trong os.walk [inpath]:
cho ImagePath trong Os.ListDir [Inpath]:
Nếu không phải ImagePath.endswith [". JPG"]:
print ["{} tệp không phải là một tệp dự kiến" .format [ImagePath]]
tiếp tục
inputPath = os.path.join [Inpath, ImagePath]
img = np.array [Image.open [InputPath]]
Nếu ImagePath.StartSwith ['T1_E1']:
ROI = IMG [1360: 1470,850: 2700]
Elif ImagePath.StartSwith ['T1_E2']:
ROI = IMG [1370: 1450.920: 2770]
gray=cv2.cvtColor[roi,cv2.COLOR_BGR2GRAY]
fulloutpath = os.path.join [Outpath, ImagePath]
CV2.ImWrite [FulloutPath, Grey]
print[fullOutPath]
cv2.waitKey[0]
cv2.destroyAllWindows[]
# Hàm trình điều khiển
Nếu __name__ == '__main__':
chính[]
#
Điều này có thể giúp bạn. Có một số Ducoments và video liên quan đến việc sử dụng Matlab với Python.
def lagrange [x, y, n, xx]:
sum = 0
Đối với i trong phạm vi [0, n + 1]:
sản phẩm = y [i]
Đối với J trong phạm vi [0, n + 1]:
if [i! = j]:
sản phẩm = sản phẩm * [xx - x [j]] / [x [i] - x [j]]
sum += sản phẩm
trả về tổng
def hình thang [H, N, F]:
sum = f [0]
Đối với tôi trong phạm vi [1, n]:
sum = sum + 2 * f [i]
sum = sum + f [n]
ANS = H * SUM / 2
trả lại ans
Có cách nào để chuyển đổi mã python này thành mã MATLAB không?
Thật khó với tôi :[
Làm thế nào để chuyển đổi Python sang Matlab ???
Đây là mã mà tôi muốn chuyển đổi.
từ sklearn.model_selection nhập khẩu troed_test_splitsklearn.model_selection import train_test_split
Nhập keraskeras
từ keras.models nhập tuần tựkeras.models import Sequential
từ keras.layers nhập khẩu dày đặckeras.layers import Dense
nhập khẩu NUMPY dưới dạng NPnumpy as np
np.random.seed[3]
# Số lượng lớp học rượu vangnumber of wine classes
Phân loại = 3
# Tải tập dữ liệuload dataset
dataset = np.loadtxt ['wine.csv', delimiter = ","]'wine.csv', delimiter=","]
# chia tập dữ liệu thành các bộ để kiểm tra và đào tạosplit dataset into sets for testing and training
X = tập dữ liệu [:, 1:14]
Y = tập dữ liệu [:, 0: 1]
X_TRAIN, X_TEST, Y_TRAIN, Y_TEST = Train_Test_Split [X, Y, Test_Size = 0.66, Random_State = 5]
# Chuyển đổi giá trị đầu ra thành một lần nóngconvert output values to one-hot
y_train = keras.utils.to_c chiến [y_train-1, phân loại]
y_test = keras.utils.to_c chiến [y_test-1, phân loại]
# Tạo mô hìnhcreating model
model = tuần tự []
model.add [dày đặc [10, input_dim = 13, activation = 'relu']]]]'relu']]
model.add [dày đặc [8, kích hoạt = 'relu']]]'relu']]
model.add [dày đặc [6, kích hoạt = 'relu']]]'relu']]
model.add [dày đặc [6, kích hoạt = 'relu']]]'relu']]
model.add [dày đặc [4, kích hoạt = 'relu']]]'relu']]
model.add [dày đặc [2, kích hoạt = 'relu']]]'relu']]
model.add [dày đặc [phân loại, kích hoạt = 'softmax']]]]'softmax']]
# Mô hình biên dịch và phù hợpcompile and fit model
model.compile [LOST = "Ít nhất"categorical_crossentropy", optimizer="adam", metrics=['accuracy']]
model.fit [x_train, y_train, Batch_size = 15, epochs = 2500, xác nhận_data = [x_test, y_test]]
please!
Câu trả lời [2]
# Hồi quy Metamodel
X_train, x_test, y_train, y_test = \
Train_Test_Split [ldb1.iloc [:,:-1], ldb1 ["d"], test_size = 0.4, Random_state = 42]
clf = make_pipeline [splinetransformer [],
Mlpreatoror [alpha = 0,0001, hidden_layer_sizes = [20, 10], max_iter = 500000,
Active = 'relu', verbose = 'true', learning_rate_init = 0,01]]]
a = clf.fit [x_train, y_train]
y_pred = clf.predict [x_test]
plt.figure[]
# plt.scatter [x_train [p]]
plt.scatter [x_test ["p"], y_test.tolist [], nhãn = "giá trị kiểm tra"]
plt.scatter [x_test ["p"], y_pred, label = "giá trị dự đoán"] # đầu ra mạng cốt truyện
plt.title ["p vs d [giá trị dự đoán và kiểm tra"]
plt.legend[]
Để học sâu, có một vài cách để nhập và xuất mạng vào MATLAB.
MATLAB có một nhà nhập khẩu TensorFlow trực tiếp mà bạn có thể sử dụng để nhập mạng:
//www.mathworks.com/help/deeplearning/ref/importtensorflownetwork.html
Đối với các khung khác, bạn có thể nhập và xuất qua ONNX:
Regards,
Quản lý sản phẩm học tập sâu, Mathworks
Xem thêm
Thể loại
Hunt Treasure Treasure
Tìm kho báu ở Trung tâm Matlab và khám phá cách cộng đồng có thể giúp bạn!
Bắt đầu săn bắn!
Một lỗi đã xảy ra
Không thể hoàn thành hành động vì những thay đổi được thực hiện cho trang. Tải lại trang để xem trạng thái cập nhật của nó.