本文主要是介绍arrayfun, cellfun, bsxfun函数与Faster R-CNN代码，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
在Faster R-CNN的matlab代码里，看到了很多不认识的“fun”系列函数，在此总结一下。
首先，向量化编程：arrayfun及cellfun函数的使用，来实现将任意函数应用到数组内包括结构在内的所有元素。这样很多以前不可避免的循环现在可以向量化了。而向量化正是Matlab不遗余力追求的核心思想之一。同时，在元素个数不匹配的两个量直接计算时，bsxfun函数得以很好解决。
arrayfun
简单例子：
y = arrayfun(@(alpha) f1(x,k,alpha), alpha,'UniformOutput',false); 其中，x是数据，k是定下来的参数，alpha是待调参数，比如alpha = [1,2,3];
来看一下Faster R-CNN里一个例子：
[anchors, im_scales] = arrayfun(@(x) func(im_size, conf, x, feature_map_size), ...conf.scales, 'UniformOutput', false);func函数的返回值是一个向量，对conf.scales中的每一个元素调用func函数，计算结果放在anchors, im_scales中，生成的anchors, im_scales也都应该是向量。
cellfun
简单例子：
y = cellfun(@(alpha) f1(x,k,alpha), alpha,'UniformOutput',false); 这里与arrayfun不同的是：待定参数alpha是cell，即alpha = {1,2,3}; 那么该例子即可实现输入x,k,alpha(cell量)，进行函数f1操作，得到同是y。
来看一下Faster R-CNN里一个例子：
bbox_targets{i} = cellfun(@(x, y) ...compute_targets(conf, scale_rois(gt_rois, im_size, y), gt_labels, x, image_roidb_cell{i}, y), ...anchors, im_scales, 'UniformOutput', false);查看前后代码：可以找到compute_targets函数定义：
function bbox_targets = compute_targets(conf, gt_rois, gt_labels, ex_rois, image_roidb, im_scale)同理，cellfun函数即为，将cell里每一个量anchors, im_scales作为输入量替代上式中的x，y位置，进行compute_targets函数操作。
bsxfun
C=bsxfun(fun,A,B)bsxfun与上述两个函数有一定差异，主要是进行两个数组间元素逐个的计算，如：直接对一个矩阵A的每一列或者每一行与同一个长度相等的 向量 a 进行某些操作。这里的fun主要是函数句柄或者m文件，同时也可以是内置函数：
@plus 加
@minus 减
@times 数组乘
@rdivide 左除，Right array divide
@ldivide 右除，Left array divide
来看一下Faster R-CNN里一个例子：
means = bsxfun(@rdivide, sums, class_counts);
stds = (bsxfun(@minus, bsxfun(@rdivide, squared_sums, class_counts), means.^2)).^0.5;这里的means得到的结果即为class_counts里每行(列)元素除以sums（A左除B即为 inv(A)*B）。
而这里的stds得到的结果即为class_counts里每行(列)元素除以squared_sums，得到的矩阵的每行(列)数字减去means.^2，得到的矩阵里的一行(列)数再都 .^0.5。
虽然有点绕口，但是很容易理解，就是对于需要操作的A,B矩阵，如果A和B的大小相同，那么直接正常运算。但如果有某维不同，那么bsxfun就将少的这个虚拟的复制一些来使与多的维数一样，完成两个数组间元素不对等时候的逐个元素的计算。
这篇关于arrayfun, cellfun, bsxfun函数与Faster R-CNN代码的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
