之前实现优化算法用的java、python、c++，matlab使用较少，接下来会用matlab来实现。此处记录了一些matlab中常用的函数和需要注意的地方。
Matlab版本2015b
1．向量
Matlab的名称就是矩阵实验室，其中大多数运算都是矩阵运算。不过，优化算法中，向量用的更多。矩阵中m*n的矩阵表示m行n列的矩阵，向量可以认为是1行n列的矩阵。
下面介绍如何初始化向量。
| 函数 | 定义 |
|---|---|
| zeros(m,n) | 生成一个m行n列，所有元素都为0的矩阵。 |
| ones(m,n) | 生成一个m行n列，所有元素都为1的矩阵。 |
(1).生成一个5维向量，每一维都是0
A = zeros(1,5);(2).生存一个5维向量，每一维都是1
A = ones(1,5);2．随机数
| 函数 | 定义 |
|---|---|
| rand | 返回一个在区间 (0,1) 内均匀分布的随机数。 |
| rand(n) | 返回一个 n×n 的随机数矩阵,其中每个值为区间 (0,1) 内均匀分布的随机数。 |
| rand(m,n) | 返回一个 m×n 的随机数矩阵,其中每个值为区间 (0,1) 内均匀分布的随机数。 |
| unidrnd(a) | 返回一个在区间 [1,a] 内均匀分布的随机整数。 |
| unidrnd(a,n) | 返回一个 n×n 的随机数矩阵,其中每个值为区间 [1,a] 内均匀分布的随机整数。 |
| unidrnd(a,m,n) | 返回一个 m×n 的随机数矩阵,其中每个值为区间 [1,a] 内均匀分布的随机整数。 |
| unifrnd(a,b) | 返回一个在区间 (a,b) 内均匀分布的随机浮点数。 |
| unifrnd(a,b,n) | 返回一个 n×n 的随机数矩阵,其中每个值为区间 (a,b) 内均匀分布的随机浮点数。 |
| unifrnd(a,b,m,n) | 返回一个 m×n 的随机数矩阵,其中每个值为区间 (a,b) 内均匀分布的随机浮点数。 |
| randperm(s) | 返回一个 1-s 的乱序整数序列。 |
| randperm(s,n) | 返回一个 1-s 的乱序整数序列中的n个数,有重复值。 |
| normrnd(mu,sigma) | 从均值参数为 mu 和标准差参数为 sigma 的正态分布中生成随机数。 |
| normrnd(mu,sigma,n) | 返回一个 n×n 的随机数矩阵, 其中每个值从均值参数为 mu 和标准差参数为 sigma 的正态分布中生成随机数。 |
| normrnd(mu,sigma,m ,n) | 返回一个 m×n 的随机数矩阵, 其中每个值从均值参数为 mu 和标准差参数为 sigma 的正态分布中生成随机数。 |
(1)生成一个(0,10)内的均匀随机数
A = 10*rand;(2)生成一个4维向量，每一维为(2,5)内的均匀随机数
A = rand(1,4)*(5-2)+2; B = unifrnd(2,5,1,4);(3)从1-10中随机选择一个整数
A = unidrnd(10); 取A(1)B = randperm(10,1);(4) 从1-10中随机选择2个不重复的整数
A = randperm(s); 取A(1),A(2)3．运算符号
| 符号 | 含义 |
|---|---|
| +- | 向量的加减法，需要向量维度相同。 |
| * | 向量乘法，得到一个值或一个向量。 |
| .* | 向量点乘，得到一个向量。 |
| ^ | 数值的幂。 |
| .^ | 向量中每个数值的幂。 |
| : | 表示该维度的间隔值或所有值。 |
| ‘ | 向量转置 |
| >< | 大于，小于，向量之间比较需要维度一致，同时返回向量. |
A=[1,2,3]; B=[4,5,6]; A+B=[5,7,9] A*2=[2,4,6] A*B’=1*4+2*5+3*6=32 A.*B=[4,10,18] A.^2=[1,4,9] C=1:10=[1,2,3,4,5,6,7,8,9,10] D=1:2:10=[1,3,5,7,9] A>[2,2,2]=[0,0,1] B<A=[0,0,0]4．循环
matlab中的循环从1开始。
matlab中的循环从1开始。
matlab中的循环从1开始。
% 从1取到10 for i = 1:10 end i=1; while i<=10 i=i+1; end5．类
定义一个类A，文件A.m
classdef A %属性,公开的 properties end %属性,私有的 properties (Access = private) end %属性，受保护的，继承用 properties (Access = protected) a; end %方法,公开的 methods end %方法,私有的 methods(Access = private) end %方法，受保护的，继承用 methods(Access = protected) % 构造函数 function self = A (a) self.a =a; end %方法，打印a的值 function print(self) disp(self.a) end end end定义一个类B，继承A,覆盖print方法。文件B.m
classdef B < A %属性,公开的 properties end %属性,私有的 properties (Access = private) end %属性，受保护的，继承用 properties (Access = protected) b; end %方法,公开的 methods % 构造函数 function self = B (a) %调用父类构造函数 self@A(a) self.b =a*a; end end %方法,私有的 methods(Access = private) end %方法，受保护的，继承用 methods(Access = protected) %方法，打印a的值 function print(self) disp(self.b) end end end打印类A中的a,打印类B中的b。文件Test.m
a=2; class_a = A(a); class_a.print(); class_b = B(a); class_b.print();AI大模型学习福利
作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获
四、AI大模型商业化落地方案
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获
作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量
 D. Token Removing)
