数据集可视化——tile（贴砖）

在大量的数据处理或者计算机视觉的文献和著作中，我们常见如下的数据集可视化（甚至对参数也可进行可视化，毕竟图像的本质是二维数组），通过文章末尾的代码我们发现只需对布局及间距的慎重设置，便可对大量丰富的图像以”地板贴砖（tiles on a floor）”的形式进行组织，也即可视化，展示数据或相关工作，可以起到十分直观的效果，下图即是对深度神经网络的权值矩阵进行的贴砖可视化：

def normalize(darr, eps=1e-8):# normalize(x) = (x-min)/(max-min)darr -= darr.min()darr *= 1./(darr.max()+eps)return darrdef tile_raster_images(X, image_shape, tile_shape, tile_spacing=(0, 0), normalize_rows=True, output_pixel_vals=True):# image_shape：每一个砖的高和宽，# tile_shape：在横纵两个方向上分别有多少砖# tile_spacing：砖与砖之间的距离# normalize_rows：是否对砖进行归一化# output_pixel_vals：是否对砖以图像的形式进行显示assert len(image_shape) == 2assert len(tile_shape) == 2assert len(tile_spacing) == 2# 对参数进行断言，确保它们都是二维元组output_shape = [(ishp + tsp)*tshp-tspfor ishp, tshp, tsp in zip(image_shape, tile_shape, tile_spacing)]# image_shape == (28, 28)   mnist data# tile_shape == (10, 10), tile_spacing == (1, 1)# [(28+1)*10-1]*[(28+1)*10-1]                   H, W = image_shapeHs, Ws = tile_spacingdt = 'uint8' if output_pixel_vals else X.dtype# python 风格的三目运算符output_array = numpy.zeros(output_shape, dtype=dt)# 开始贴砖for i in range(tile_shape[0]):for j in range(tile_shape[1]):if i*tile_shape[1]+j < X.shape[0]:# X的每一行是一个图像（二维）flatten后的（一维的行向量）this_x = X[i*tile_shape[1]+j]this_image = normalize(this_x.reshape(image_shape)) if normalize_rows else this_x.reshape(image_shape)c = 255 if output_pixel_vals else 1output_array[i*(H+Hs):i*(H+Hs)+H, j*(W+Ws):j*(W+Ws)+W] = this_image*creturn output_array

客户端调用：

import numpy
from PIL import ImageX = numpy.random.randn(500, 28*28)
arr = tile_raster_images(X, image_shape=(28, 28), tile_shape=(12, 12), tile_spacing=(1, 1))
img = Image.fromarray(arr)
img.show()
img.save('./tiles.png')# 这里也可使用 matplotlib 进行显示# plt.imshow(img, cmap='gray')# plt.show()

数据集可视化——tile（贴砖）相关推荐

R语言生成螺旋形（spirals）仿真数据实战：螺旋线型线性不可分数据集、螺旋线型不可分数据集可视化、为散点图中的每个数据点添加类标签信息
R语言生成螺旋形(spirals)仿真数据实战:螺旋线型线性不可分数据集.螺旋线型不可分数据集可视化.为散点图中的每个数据点添加类标签信息目录
Python数据集可视化：抽取数据集的两个特征进行二维可视化、主成分分析PCA对数据集降维进行三维可视化（更好地理解维度之间的相互作用）
Python数据集可视化:抽取数据集的两个特征进行二维可视化.主成分分析PCA对数据集降维进行三维可视化(更好地理解维度之间的相互作用) 目录 Python数据集可视化:抽取数据集的两个特征进行二维可 ...
TensorFlow基础1（波士顿房价/鸢尾花数据集可视化）
记录TensorFlow听课笔记文章目录记录TensorFlow听课笔记一,波士顿房价数据集可视化 1.1介绍波士顿房价数据集 1.2波士顿房价数据集加载 1.3将平均房间数与房价之间的关系可视 ...
行代码实现数据集可视化、分析与比较
GitHub上一位博主告诉你:不用学,用sweetviz就行. 这是一个基于Python编写的数据分析软件,只要掌握3种函数用法,一行Python代码就能实现数据集可视化.分析与比较. 我们以Tita ...
ML之分类预测：机器学习中多分类预测数据集可视化(不同类别赋予不同颜色)设计思路及代码实现
ML之分类预测:机器学习中多分类预测数据集可视化(不同类别赋予不同颜色)设计思路及代码实现目录机器学习中多分类预测数据集可视化(不同类别赋予不同颜色)设计思路及代码实现代码实现
Dataset：机器学习和深度学习中对数据集进行高级绘图(数据集可视化，箱线图等)的简介、应用之详细攻略——daidingdaiding
Dataset:机器学习和深度学习中对数据集进行高级绘图(数据集可视化,箱线图等)的简介.应用之详细攻略--daidingdaiding 目录箱线图箱线图箱线图(box plots):这些图显示 ...
【python数据挖掘课程】十九.鸢尾花数据集可视化、线性回归、决策树花样分析
这是<Python数据挖掘课程>系列文章,也是我这学期上课的部分内容.本文主要讲述鸢尾花数据集的各种分析,包括可视化分析.线性回归分析.决策树分析等,通常一个数据集是可以用于多种分析的,希 ...
KITTI自动驾驶数据集可视化教程
本文介绍关于自动驾驶数据集KITTI的基本操作,包括Camera和LiDAR可视化教程,源码已上传:https://download.csdn.net/download/cg129054036/209 ...
python数据挖掘学习笔记】十九.鸢尾花数据集可视化、线性回归、决策树花样分析
#2018-04-05 16:57:26 April Thursday the 14 week, the 095 day SZ SSMR python数据挖掘学习笔记]十九.鸢尾花数据集可视化.线性回 ...

数据集可视化——tile（贴砖）

数据集可视化——tile（贴砖）相关推荐

最新文章

热门文章