Translate this matlab code to python please?

clc

clear all

randn$(\text{'}$seed$\text{'},100)$;

$\%$SETTING PARAMETERS

n$=600$;

r $=2$;

$\%$r$\_=2*$r;

m $=50$;

q $=$ n;

L$=10$;

q$\_$node$=$q$/$L;

Erdos$\_$prob $=0\mathrm{.}5$;

T$\_$mont $=1$; $\%$MC iterations

T$\_$gd $=600$; $\%$Number of GD iterations

Cons$\_$iter$=100$;

c$=0\mathrm{.}4$; $\%$ eta$=$c$/$sigmax$2$ the constant c in this expression

c$\_1=0\mathrm{.}99$;

$\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%$ DEFINING Xstar $\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%$

Ustar $=$ orth$($randn$($n$,$r$))$;

Bstar $=$ randn$($r$,$ q$)$;

Xstar $=$ Ustar $*$ Bstar;

$\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%$ DEFINING NETWORK $\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%$

W$=$zeros$($L$,$ L$)$; $\%$Initialize weight matrix in consensus algo

$[$G$,$ W$]=$Network$\_$Equal$($L$,$Erdos$\_$prob$)$; $\%$Function to create random matrix and compute weight matrix

$\%\%\%$INITIALIZING ERROR AND TIME VARIABLES$\%\%\%$

ErrorU$\_$DecAltProjGD$=$ zeros$($T$\_$mont,T$\_$gd$+1)$;

TimeU$\_$DecAltProjGD$=$ zeros$($T$\_$mont,T$\_$gd$+1)$;

ErrorU$\_$central$=$ zeros$($T$\_$mont,T$\_$gd$+1)$;

TimeU$\_$central$=$ zeros$($T$\_$mont,T$\_$gd$+1)$;

$\%\%\%$MC ITERATIONS START HERE$\%\%\%$

$\%$disp$(\text{'}$Entering the loop'$)$;

for mc$\_$iter $=1$ : T$\_$mont

$\%$disp$([\text{'}$Current iteration: $\text{'},$ num$2$str$($mc$\_$iter$)])$;

mc$\_$iter

$\%$keyboard

$\%$load$(\text{'}$test$\_$new.mat'$)$;

$\%$Y$=$Y$\_$store;

$\%$A$=$A$\_$store;

$\%$cc$=$cc$\_$store;

$\%$cc

$\%$keyboard

$\%\%\%\%\%\%\%\%\%\%\%\%\%\%$ GENRATING DATA: A AND Y $\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%$

A $=$ zeros$($n$,$ m$,$ q$)$;

Y $=$ zeros$($m$,$ q$)$;

$\%$disp$(\text{'}$Entering the loop'$)$;

for k $=1$ : q

$\%$disp$([\text{'}$Current iteration: $\text{'},$ num$2$str$($k$)])$;

A$($:$,$:$,$k$)=$ randn$($n$,$ m$)$;

$\%$disp$(\text{'}$Size of A$($:$,$:$,$k$)$:$\text{'})$

$\%$disp$($size$($A$($:$,$:$,$k$)))$

Y$($:$,$k$)=$ A$($:$,$:$,$k$)\text{'}*$ Xstar$($:$,$k$)$;

end

$\%\%\%\%\%\%\%\%\%\%\%\%\%\%$ GENRATING U$\_$rand matrix for the Decentralized PM algo $\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%$

cc$=$orth$($randn$($n$,$r$))$;

$\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%-----$CENTRALIZED$-----\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%$

$\%\{$

$[$ErrorU$\_$central, ExeTime$\_$central$]=$AltGDMin$($A$,$ Y$,$r$,$ T$\_$gd$,$ Xstar, Ustar, c$)$;

ErrorU$\_$decent$\_$central$($mc$\_$iter, : $)=$ ErrorU$\_$central;

TimeU$\_$decent$\_$central$($mc$\_$iter, : $)=$ ExeTime$\_$central;

$\%\}$

$\%\%\%$ DECENTRALIZED $\%\%\%$

$\%$

$[$ErrorU$,$ ExeTime, eta$]=$ DecAltProjGD$($L$,$ A$,$ Y$,$ cc$,$r$,$ Xstar, Ustar, T$\_$gd$,$ Cons$\_$iter, Cons$\_$iter, W$,$ c$)$;$\%\%$Our Algo AltProjGDmin

$\%$disp$($ErrorU$\_$DecAltProjGD$)$;

$\%$disp$($TimeU$\_$DecAltProjGD$)$;

$\%$disp$(\text{'}$size of Ustar'$)$;

$\%$disp$($size$($Ustar$))$;

disp$(\text{'}$Size of ErrorU$\_$DecAltProjGD:$\text{'})$;

disp$($size$($ErrorU$\_$DecAltProjGD$($mc$\_$iter, : $)))$;

ErrorU$\_$DecAltProjGD$($mc$\_$iter, : $)=$ ErrorU;

TimeU$\_$DecAltProjGD$($mc$\_$iter, : $)=$ ExeTime;

$\%$disp$(\text{'}$left:$\text{'})$

$\%$disp$($size$($ErrorU$\_$DecAltProjGD$($mc$\_$iter, : $)))$

$\%$disp$(\text{'}$right:$\text{'})$

$\%$disp$($size$($ErrorU$))$

Avg$\_$Err$\_$tmp$=(1/$mc$\_$iter$)*$sum$($ErrorU$\_$DecAltProjGD,$1)$;

Avg$\_$Err$=$Avg$\_$Err$\_$tmp$($T$\_$gd$)$

$\%\}$

$\%\%\%\%\%\%\%\%\%\%\%\%$ NEDIC's AGLO$\%\%\%\%\%\%\%\%\%\%\%\%$

$\%\{$

$[$ErrorU$\_$Nedic, ExeTime$\_$Nedic, eta$]=$ DecGD$($L$,$ A$,$ Y$,$ cc$,$r$,$ Xstar, Ustar, T$\_$gd$,$ Cons$\_$iter, Cons$\_$iter, W$,$ c$)$;$\%\%$Yuan$/$Nedic$\text{'}$s algo with spectral initialization

ErrorU$\_$DecGD$($mc$\_$iter, : $)=$ ErrorU$\_$Nedic;

TimeU$\_$DecGD$($mc$\_$iter, : $)=$ ExeTime$\_$Nedic;

Avg$\_$Err$\_$nedic$\_$tmp$=(1/$mc$\_$iter$)*$sum$($ErrorU$\_$DecGD,$1)$;

Avg$\_$Err$\_$nedic$=$Avg$\_$Err$\_$nedic$\_$tmp$($T$\_$gd$)$

$\%\}$

$\%\%\%\%\%\%\%\%\%\%$SINGLE NODE$\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%$

$\%\{$

$[$ErrorU$\_$node, ExeTime$\_$node$]=$AltGDMin$\_$One$\_$Node$($L$,$ A$,$ Y$,$cc$,$ r$,$ T$\_$gd$,$ Xstar, Ustar, Cons$\_$iter, W$,$ c$,$ q$\_$node$)$;

ErrorU$\_$MC$\_$node$($mc$\_$iter, : $)=$ ErrorU$\_$node;

TimeU$\_$MC$\_$node$($mc$\_$iter, : $)=$ ExeTime$\_$node;

Avg$\_$Err$\_$node$\_$tmp$=(1/$mc$\_$iter$)*$sum$($ErrorU$\_$MC$\_$node,$1)$;

Avg$\_$Err$\_$node$=$Avg$\_$Err$\_$node$\_$tmp$($T$\_$gd$)$

$\%\}$

$\%\{$

$[$ErrorU$\_$NedicZ, ExeTime$\_$NedicZ$]=$ DecGD$\_$ZeroInit$($L$,$ A$,$ Y$,$ r$,$ Xstar, Ustar, T$\_$gd$,$ Cons$\_$iter, Cons$\_$iter, W$,$ c$,$ eta$)$;$\%\%$Yuan$/$Nedic$\text{'}$s DecGD without spectral initialization

ErrorU$\_$DecGDZero$($mc$\_$iter, : $)=$ ErrorU$\_$NedicZ;

TimeU$\_$DecGDZero$($mc$\_$iter, : $)=$ ExeTime$\_$NedicZ;

$[$ErrorU$\_$NedicR, ExeTime$\_$NedicR$]=$ DecGD$\_$RandomInit$($L$,$ A$,$ Y$,$ r$,$ Xstar, Ustar, T$\_$gd$,$ Cons$\_$iter, Cons$\_$iter, W$,$ c$,$ eta$)$;$\%\%$Yuan$/$Nedic$\text{'}$s DecGD without spectral initialization

ErrorU$\_$DecGD$\_$Random$($mc$\_$iter, : $)=$ ErrorU$\_$NedicR;

TimeU$\_$DecGD$\_$Random$($mc$\_$iter, : $)=$ ExeTime$\_$NedicR;

$\%\}$

end

$\%\%\%\%\%\%\%\%\%\%\%\%--------$MONTE CARLO AVERAGING$----------\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%\%$

t$=1$:T$\_$gd$+1$;

$\%$disp$($t$)$;

$\%\{$

MC$\_$ErrorU$\_$decent$\_$central$=(1/$T$\_$mont$)*$sum$($ErrorU$\_$decent$\_$central,$1)$;

MC$\_$TimeU$\_$decent$\_$central$=(1/$T$\_$mont$)*$sum$($TimeU$\_$decent