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。
- 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。
- 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。
- 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）
apache
# 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 numpy==1.26.4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：
apache
# 我这里用的是2.3.1版本的torch包pip install torch==2.3.12.MATLAB主脚本编写
ruby
%% 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input=data(:,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(1+jg*(i-1):jg*(i-1)+tn,:)]; output_train=[output_train;output(1+jg*(i-1):jg*(i-1)+tn,:)]; input_test=[input_test;input(jg*(i-1)+tn+1:i*jg,:)]; output_test=[output_test;output(jg*(i-1)+tn+1: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_test==Yhat'))/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。
python
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, dtype=torch.float32).unsqueeze(0), torch.tensor(label, dtype=torch.long)
# 创建CNN1D模型的类classCNN1DModel(nn.Module):def__init__(self,conv_archs,num_classes,signal_length,batch_size,input_channels=1):super(CNN1DModel,self).__init__()self.batch_size = batch_sizeself.signal_length = signal_length#CNN参数self.conv_arch=conv_archs #网络结构self.input_channels=input_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(inplace=True), nn.Dropout(),#nn.Linear(1024,1024),# nn.ReLU(inplace=True),#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_size=2,padding=1)) layers.append(nn.ReLU(inplace=True))self.input_channels = out_channels layers.append(nn.MaxPool1d(kernel_size=2,stride=2))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_seq=input_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, epochs=50,batch_size=32,learn_rate=1e-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("cuda"if torch.cuda.is_available() else"cpu")self.model = model.to(self.device)self.loss_function = nn.CrossEntropyLoss(reduction='sum') # 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(f'Epoch {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_location=torch.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, dim=1) batch_predicted_labels = torch.argmax(probabilities, dim=1) 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(f'Test 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：
TGDM666
获取更多代码：
javascript
或者复制链接跳转：https://docs.qq.com/sheet/DU3NjYkF5TWdFUnpu