在科研中，matlab对矩阵处理有优势，而python语言对神经网络热门框架，譬如TensorFlow、Pytorch等都支持，所以难免会有需要跨平台处理。本文主要分享一种简便的处理方法：在.mat格式的文件中写入读取数据，因为.mat格式matlab和python都支持。
一、读写matlab变量
- python中读写.mat数据文件
import tensorflow as tf
import scipy.io as io
import numpy as np
# 将.mat文件读取为字典变量InputData
InputData = io.loadmat('MatlabData.mat')
# 从字典变量中读取变量
A = tf.constant(InputData['A'])
A = tf.cast(A, dtype = tf.float32)
B = tf.constant(InputData['B'])
......
A = np.mat(A.numpy())
B = np.mat(B.numpy())
# 将变量A保存为X，将变量B保存为Y，并写入到.mat文件
io.savemat('PythonData.mat',{'X':A, 'Y':B})
- matlab中读写.mat数据文件
load PythonData
save MatlabData #保存全部变量
save MatlabData A B; #保存指定变量A、B
save ('MatlabData.mat', 'A','B');
二、张量的理解
2.1 初始化张量
# 定义一个随机数（标量）
random_float = tf.random.uniform(shape=())
# 定义一个有2个元素的零向量
zero_vector = tf.zeros(shape=(2))
# 定义两个2×2的常量矩阵
A = tf.constant([[1., 2.], [3., 4.]])
2.2 输出张量特征
# 查看矩阵A的形状、类型和值
print(A.shape) # 输出(2, 2)，即矩阵的长和宽均为2
print(A.dtype) # 输出<dtype: 'float32'>
print(A.numpy()) # 输出[[1. 2.]
# [3. 4.]]
2.3 基本张量操作
C = tf.add(A, B) # 计算矩阵A和B的和
D = tf.matmul(A, B) # 计算矩阵A和B的乘积
E = tf.mutiply(A, 1) # 计算矩阵A与1的数乘
tf.square(x) # 对张量x每个元素平方，并返回同维度张量
tf.log(x) # 对张量x每个元素求自然对数，同上
tf.reduce_sum(x) # 对所有元素求和，返回0维张量(标量)
# tf.reduce_sum(x,0) # 求列和(纵向求和)
# tf.reduce_sum(x,1) # 求行和(横向求和)
tf.reduce_mean() # 用法类似于tf.reduce_sum、tf.reduce_max
