python读取.mat文件保存为.npz用于深度学习
本帖最后由 matlab的旋律 于 2020-11-20 07:33 编辑对像我这种经常使用matlab和python交叉仿真的工程师，需要经常在matlab和python的数据格式进行切换，下面介绍一种读取读取.mat文件保存为.npz，用于tensorflow2.0以上版本深度学习模型的数据转换程序。第一步,首先导入库
import numpy as np
import scipy.io as sio
import tensorflow as tf
from sklearn.preprocessing import MinMaxScaler, Normalizer第二步，读取.mat文件并且转为tensorflow2.0以上版本深度学习模型的输入格式的子函数
def load_matfile(filename, num_classes=2):
mat_contents = sio.loadmat(filename)#读取mat文件
tx_data = np.array(mat_contents['data'])
scaler = Normalizer()
scaler.fit(tx_data)
tx_data = scaler.transform(tx_data)# 归一化
tx_data = tx_data.swapaxes(0, 1)#交换0 1轴
tx_data = np.expand_dims(tx_data, axis=1)#插入一个轴
tx_label = np.array(mat_contents['label'])
tx_label = np.squeeze(tx_label, 1)
tx_data = tx_data.swapaxes(1, 2)
index = np.arange(tx_label.shape)
np.random.shuffle(index)#随机打乱顺序
tx_data = tx_data
tx_label = tx_label
tx_label = tf.keras.utils.to_categorical(tx_label - 1, num_classes) #转换成类格式
return tx_data, tx_label第三步，保存为.npz格式
if __name__ == "__main__":
num_classes = 2
tx_data, tx_label = load_matfile(r'xdata.mat', num_classes)
train_len = int(0.7 * len(tx_label))#训练集比例
x_train = tx_data
y_train = tx_label
x_test = tx_data#做测试值
y_test = tx_label
np.savez('data', x_train=x_train, y_train=y_train, x_test=x_test, y_test=y_test)#保存为.npz格式
保存为data.npz文件，后续的处理就可以完全脱离matlab了
页:
[1]