python简笔画绘制数据驱动绘图_pytorch visdom可视化工具学习—2

3）plotting绘图

我们已经包装了几种常见的plot类型，以便轻松创建基本的可视化。这些可视化是由Plotly驱动的。

Visdom支持下列API。由 Plotly 提供可视化支持。

vis.scatter : 2D 或 3D 散点图

vis.line : 线图

vis.stem : 茎叶图

vis.heatmap : 热力图

vis.bar : 条形图

vis.histogram: 直方图

vis.boxplot : 箱型图

vis.surf : 表面图

vis.contour : 轮廓图

vis.quiver : 绘出二维矢量场

vis.mesh : 网格图

这些API的确切输入类型有所不同，尽管大多数API 的输入包含，一个tensor X（保存数据）和一个可选的tensor Y（保存标签或者时间戳）。所有的绘图函数都接收一个可选参数win，用来将图画到一个特定的Pane上。每个绘图函数也会返回当前绘图的win。您也可以指定绘出的图添加到哪个env上。

Visdom同时支持PyTorch的tensor和Numpy的ndarray两种数据结构，但不支持Python的int、float等类型，因此每次传入时都需先将数据转成ndarray或tensor。上述操作的参数一般不同，但有两个参数是绝大多数操作都具备的：

win：用于指定pane的名字，如果不指定，visdom将自动分配一个新的pane。如果两次操作指定的win名字一样，新的操作将覆盖当前pane的内容，因此建议每次操作都重新指定win。

opts：选项，接收一个字典，常见的option包括title、xlabel、ylabel、width等，主要用于设置pane的显示格式。

之前提到过，每次操作都会覆盖之前的数值，但往往我们在训练网络的过程中需不断更新数值，如损失值等，这时就需要指定参数update='append'来避免覆盖之前的数值。

而除了使用update参数以外，还可以使用vis.updateTrace方法来更新图，但updateTrace不仅能在指定pane上新增一个和已有数据相互独立的Trace，还能像update='append'那样在同一条trace上追加数据。

Customizing plots

绘图函数接受一个可选的opts表作为输入，可用于更改绘图的(通用的或特定于绘图的)属性。所有输入参数在一个表中指定;输入参数是基于它们在输入表中拥有的键进行匹配的。

1> plot.scatter

这个函数是用来画2D或3D数据的散点图。它需要输入 N*2或N*3的张量 X来指定N个点的位置。一个可供选择的长度为N的向量用来保存X中的点对应的标签(1 到 K)。 – 标签可以通过点的颜色反应出来。

update可用于有效地更新现有图的数据。使用'append'附加数据，'replace'使用新数据，或'remove'删除按名称指定的跟踪。如果不存在update='append'，则使用update='append'将创建一个绘图，否则将追加到现有绘图。如果更新单个跟踪，请使用name指定要更新的跟踪的名称。忽略所有NaN的更新数据(可用于屏蔽更新)。

scatter()支持下列的选项：

opts.markersymbol: 标记符号 (string; default = 'dot')

opts.markersize : 标记大小(number; default = '10')

opts.markercolor : 每个标记的颜色. (torch.*Tensor; default = nil)

opts.legend : 包含图例名字的table

opts.textlabels : 每一个点的文本标签 (list: default = None)

opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.

opts.traceopts : 将跟踪名称或索引映射到plot.ly为追踪接受的附加选项的字典. 比如 traceopts = {'plotly': {'myTrace': {'mode': 'markers'}}}.

opts.webgl : 使用WebGL绘图(布尔值;default= false。如果一个图包含太多的点，它会更快。要谨慎使用，因为浏览器不会在一个页面上允许多个WebGL上下文。

options.markercolor 是一个包含整数值的Tensor。Tensor的形状可以是 N 或 N x 3 或 K 或 K x 3.

Tensor of size N: 表示每个点的单通道颜色强度。 0 = black, 255 = red

Tensor of size N x 3: 用三通道表示每个点的颜色。 0,0,0 = black, 255,255,255 = white

Tensor of size K and K x 3: 为每个类别指定颜色，不是为每个点指定颜色。

举例：

1》

# scatter plots

Y = np.random.rand(100)

old_scatter =viz.scatter(

X=np.random.rand(100, 2),

Y=(Y[Y > 0] + 1.5).astype(int),

opts=dict(

legend=['Didnt', 'Update'],

xtickmin=-50,

xtickmax=50,

xtickstep=0.5,

ytickmin=-50,

ytickmax=50,

ytickstep=0.5,

markersymbol='cross-thin-open',

)

viz.update_window_opts(

win=old_scatter,

opts=dict(

legend=['Apples', 'Pears'],

xtickmin=0,

xtickmax=1,

xtickstep=0.5,

ytickmin=0,

ytickmax=1,

ytickstep=0.5,

markersymbol='cross-thin-open',

)

图示：

2》3D版的：

# 3d scatterplot with custom labels and ranges

viz.scatter(

X=np.random.rand(100, 3),

Y=(Y + 1.5).astype(int),

opts=dict(

legend=['Men', 'Women'],

markersize=5,

xtickmin=0,

xtickmax=2,

xlabel='Arbitrary',

xtickvals=[0, 0.75, 1.6, 2],

ytickmin=0,

ytickmax=2,

ytickstep=0.5,

ztickmin=0,

ztickmax=1,

ztickstep=0.5,

)

图示：

3》带有自定义强度的2D散点图(红色通道)

# 2D scatterplot with custom intensities (red channel)

viz.scatter(

X=np.random.rand(255, 2),

Y=(np.random.rand(255) + 1.5).astype(int),

opts=dict(

markersize=10,

markercolor=np.random.randint(0, 255, (2, 3,)),

)

图示：

4》2D散点图，每个标签自定义颜色:

# 2D scatter plot with custom colors per label:

viz.scatter(

X=np.random.rand(255, 2),

Y=(np.random.randn(255) > 0) + 1,

opts=dict(

markersize=10,

markercolor=np.floor(np.random.random((2, 3)) * 255),

)

图示：

5》添加新的追踪

win =viz.scatter(

X=np.random.rand(255, 2),

opts=dict(

markersize=10,

markercolor=np.random.randint(0, 255, (255, 3,)),

)

#断言该窗口是否存在

assert viz.win_exists(win), 'Created window marked as not existing'# 添加新的追踪到散点图中

viz.scatter(

X=np.random.rand(255),

Y=np.random.rand(255),

win=win,

name='new_trace',

update='new')

图示：

6》带着文本标签的散点图

# 2D scatter plot with text labels:

viz.scatter(

X=np.random.rand(10, 2),

opts=dict(

textlabels=['Label %d' % (i + 1) for i in range(10)]

)

viz.scatter(

X=np.random.rand(10, 2),

Y=[1] * 5 + [2] * 3 + [3] * 2,

opts=dict(

legend=['A', 'B', 'C'],

textlabels=['Label %d' % (i + 1) for i in range(10)]

)

图示：

7》更新

1〉一开始的底图

colors = np.random.randint(0, 255, (2, 3,))

win =viz.scatter(

X=np.random.rand(255, 2),

Y=(np.random.rand(255) + 1.5).astype(int),

opts=dict(

markersize=10,

markercolor=colors,

legend=['1', '2']

)

图是：

2〉append

viz.scatter(

X=np.random.rand(255),

Y=np.random.rand(255),

opts=dict(

markersize=10,

markercolor=colors[0].reshape(-1, 3),

name='1',

update='append',

win=win)

图为：

3〉append

viz.scatter(

X=np.random.rand(255, 2),

Y=(np.random.rand(255) + 1.5).astype(int),

opts=dict(

markersize=10,

markercolor=colors,

update='append',

win=win)

图为：

2>vis.line

这个函数画了一条线。它接受一个N或NxM张量Y作为输入，它指定连接N个点的M条线的值。它还接受一个可选的X张量，指定相应的X轴值;X可以是一个N张量(在这种情况下，所有的线都有相同的X轴值)，或者和Y大小相同。

update可用于有效地更新现有图的数据。使用'append'附加数据，'replace'使用新数据，或'remove'删除按名称指定的跟踪。如果更新单个跟踪，请使用name指定要更新的跟踪的名称。忽略所有NaN的更新数据(可用于屏蔽更新)。

下面是支持的opts:

opts.fillarea: 填满线下区域(boolean)

opts.markers: 显示标记 (boolean; default =false)

opts.markersymbol: 标记符号(string; default ='dot')

opts.markersize:标记大小(number; default ='10')

opts.linecolor:线颜色 (np.array; default = None)

opts.dash: 每一行的破折号类型 (np.array; default = 'solid'), 实线、破折号、虚线或破折号中的一个，其大小应与所画线的数目相匹配

opts.legend:包含图例名称的表

opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.

opts.traceopts : 将跟踪名称或索引映射到plot.ly为追踪接受的附加选项的字典. 比如 traceopts = {'plotly': {'myTrace': {'mode': 'markers'}}}.

opts.webgl : 使用WebGL绘图(布尔值;default= false。如果一个图包含太多的点，它会更快。要谨慎使用，因为浏览器不会在一个页面上允许多个WebGL上下文。

1》

# line plots

viz.line(Y=np.random.rand(10), opts=dict(showlegend=True))

Y = np.linspace(-5, 5, 100)

viz.line(

Y=np.column_stack((Y * Y, np.sqrt(Y + 5))),

X=np.column_stack((Y, Y)),

opts=dict(markers=False),

)

图示：

2》

# line usingWebGL

webgl_num_points = 200000webgl_x = np.linspace(-1, 0, webgl_num_points)

webgl_y = webgl_x**3viz.line(X=webgl_x, Y=webgl_y,

opts=dict(title='{} points using WebGL'.format(webgl_num_points), webgl=True),

win="WebGL demo")

图示：

3》更新

# line updates

win =viz.line(

X=np.column_stack((np.arange(0, 10), np.arange(0, 10))),

Y=np.column_stack((np.linspace(5, 10, 10),

np.linspace(5, 10, 10) + 5)),

)

图为：

append：

viz.line(

X=np.column_stack((np.arange(10, 20), np.arange(10, 20))),

Y=np.column_stack((np.linspace(5, 10, 10),

np.linspace(5, 10, 10) + 5)),

win=win,

update='append')

图为：

append：

viz.line(

X=np.arange(21, 30),

Y=np.arange(1, 10),

win=win,

name='2',

update='append')

图示：

append：

viz.line(

X=np.arange(1, 10),

Y=np.arange(11, 20),

win=win,

name='delete this',

update='append')

图为：

insert：

viz.line(

X=np.arange(1, 10),

Y=np.arange(11, 20),

win=win,

name='4',

update='insert')

图为：

remove：

viz.line(X=None, Y=None, win=win, name='delete this', update='remove')

图又会回到上上面一个：

这个更改的是之前使用WebGL的那个图：

viz.line(

X=webgl_x+1.,

Y=(webgl_x+1.)**3,

win="WebGL demo",

update='append',

opts=dict(title='{} points using WebGL'.format(webgl_num_points*2), webgl=True)

)

图变为：

4》实线、虚线等不同线的实现

win =viz.line(

X=np.column_stack((

np.arange(0, 10),

)),

Y=np.column_stack((

np.linspace(5, 10, 10),

np.linspace(5, 10, 10) + 5,

np.linspace(5, 10, 10) + 10,

)),

opts={

'dash': np.array(['solid', 'dash', 'dashdot']),

'linecolor': np.array([

[0, 191, 255],

[255, 0, 0],

]),

'title': 'Different line dash types'}

)

viz.line(

X=np.arange(0, 10),

Y=np.linspace(5, 10, 10) + 15,

win=win,

name='4',

update='insert',

opts={

'linecolor': np.array([

[255, 0, 0],

]),

'dash': np.array(['dot']),

}

)

图示：

5》堆叠区域

Y = np.linspace(0, 4, 200)

win =viz.line(

Y=np.column_stack((np.sqrt(Y), np.sqrt(Y) + 2)),

X=np.column_stack((Y, Y)),

opts=dict(

fillarea=True,

showlegend=False,

width=800,

height=800,

xlabel='Time',

ylabel='Volume',

ytype='log',

title='Stacked area plot',

marginleft=30,

marginright=30,

marginbottom=80,

margintop=30,

)

图示：

更新参数：

# 确保堆叠区域不过大

viz.update_window_opts(

win=win,

opts=dict(

width=300,

height=300,

)

图变为：

6）pytorch tensor

# PyTorch tensortry:

import torch

viz.line(Y=torch.Tensor([[0., 0.], [1., 1.]]))

except ImportError:

print('Skipped PyTorch example')

图示：

3>vis.stem

这个函数绘制一个根茎图。它接受一个N或NxM张量X作为输入，它指定M时间序列中N个点的值。还可以指定一个包含时间戳的可选N或NxM张量Y;如果Y是一个N张量，那么所有M个时间序列都假设有相同的时间戳。

下面是支持的opts:

opts.colormap: 色图 (string; default ='Viridis')

opts.legend:包含图例名称的表

opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.

举例：

# stemplot

Y = np.linspace(0, 2 * math.pi, 70)

X =np.column_stack((np.sin(Y), np.cos(Y)))

viz.stem(

X=X,

Y=Y,

opts=dict(legend=['Sine', 'Cosine'])

)

图示：

4>vis.heatmap

此函数绘制热点图。它接受一个NxM张量X作为输入，它指定了热图中每个位置的值。

下面是支持的opts:

opts.colormap: 色图 (string; default ='Viridis')

opts.xmin: 修剪的最小值 (number; default =X:min())

opts.xmax: 修剪的最大值(number; default =X:max())

opts.columnnames:包含x-axis 标签的表

opts.rownames:包含y-axis 标签的表

opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.

举例：

# heatmap

viz.heatmap(

X=np.outer(np.arange(1, 6), np.arange(1, 11)),

opts=dict(

columnnames=['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j'],

rownames=['y1', 'y2', 'y3', 'y4', 'y5'],

colormap='Electric',

)

图示：

5>vis.bar

此函数绘制规则的、堆叠的或分组的条形图。它接受一个N或NxM张量X作为输入，它指定了每个条的高度。如果X包含M列，则对每一行对应的值进行堆叠或分组(取决于opts.stacked的选择方式)。除了X，还可以指定一个(可选的)N张量Y，它包含相应的X轴值。

以下是目前支持的特定plot的选项:

opts.rownames:包含x-axis 标签的表

opts.stacked: 在X中堆叠多个列

opts.legend:包含图例名称的表

opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.

1》

# bar plots

viz.bar(X=np.random.rand(20))

图示：

2》

viz.bar(

X=np.abs(np.random.rand(5, 3)),

opts=dict(

stacked=True,

legend=['Facebook', 'Google', 'Twitter'],

rownames=['2012', '2013', '2014', '2015', '2016']

)

图示：

3》

viz.bar(

X=np.random.rand(20, 3),

opts=dict(

stacked=False,

legend=['The Netherlands', 'France', 'United States']

)

图示：

6>vis.histogram

这个函数绘制指定数据的直方图。它接受一个N张量X作为输入，它指定了用来构造直方图的数据。

以下是目前支持的特定plot的选项:

opts.numbins: bins数量 (number; default = 30)

opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.

举例：

# histogram

viz.histogram(X=np.random.rand(10000), opts=dict(numbins=20))

图示：

7> vis.boxplot

此函数绘制指定数据的箱形图。它接受一个N或一个NxM张量X作为输入，该张量X指定了N个数据值，用来构造M个箱形图。

以下是目前支持的特定plot的选项:

opts.legend: 在X中每一列的标签

opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.

举例：

# boxplot

X = np.random.rand(100, 2)

X[:, 1] += 2viz.boxplot(

X=X,

opts=dict(legend=['Men', 'Women'])

)

图示：

8>vis.surf

这个函数绘制一个曲面图。它接受一个NxM张量X作为输入，该张量X指定了曲面图中每个位置的值。

下面是支持的opts:

opts.colormap: 色图 (string; default ='Viridis')

opts.xmin: 修剪的最小值 (number; default =X:min())

opts.xmax: 修剪的最大值(number; default =X:max())

opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.

举例：

# surface

viz.surf(X=X, opts=dict(colormap='Hot'))

图示：

9>vis.contour

这个函数绘制等高线。它接受一个NxM张量X作为输入，该张量X指定等高线图中每个位置的值。

下面是支持的opts:

opts.colormap: 色图 (string; default ='Viridis')

opts.xmin: 修剪的最小值 (number; default =X:min())

opts.xmax: 修剪的最大值(number; default =X:max())

opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.

举例：

# contour

x = np.tile(np.arange(1, 101), (100, 1))

y =x.transpose()

X = np.exp((((x - 50) ** 2) + ((y - 50) ** 2)) / -(20.0 ** 2))

viz.contour(X=X, opts=dict(colormap='Viridis'))

图示：

10>vis.quiver

该函数绘制一个抖动图，其中箭头的方向和长度由NxM张量X和y决定。可以提供两个可选的NxM张量gridX和gridY，指定箭头的偏移量;默认情况下，箭头将在常规网格上执行。

下面是支持的opts:

opts.normalize: 最长箭头长度 (number)

opts.arrowheads: 显示箭头 (boolean; default =true)

opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.

举例：

# quiver plot

X = np.arange(0, 2.1, .2)

Y = np.arange(0, 2.1, .2)

X = np.broadcast_to(np.expand_dims(X, axis=1), (len(X), len(X)))

Y = np.broadcast_to(np.expand_dims(Y, axis=0), (len(Y), len(Y)))

U =np.multiply(np.cos(X), Y)

V =np.multiply(np.sin(X), Y)

viz.quiver(

X=U,

Y=V,

opts=dict(normalize=0.9),

)

图示：

11>vis.mesh

这个函数从一组在Nx2或Nx3矩阵X中定义的顶点和在可选的Mx2或Mx3矩阵Y中定义的多边形中绘制网格图。

下面是支持的opts:

opts.color: 颜色 (string)

opts.opacity: 多边形的不透明度 (numberbetween 0 and 1)

opts.layoutopts : 图形后端为布局接受的任何附加选项的字典. 比如 layoutopts = {'plotly': {'legend': {'x':0, 'y':0}}}.

举例：

# mesh plot

x = [0, 0, 1, 1, 0, 0, 1, 1]

y = [0, 1, 1, 0, 0, 1, 1, 0]

z = [0, 0, 0, 0, 1, 1, 1, 1]

X =np.c_[x, y, z]

i = [7, 0, 0, 0, 4, 4, 6, 6, 4, 0, 3, 2]

j = [3, 4, 1, 2, 5, 6, 5, 2, 0, 1, 6, 3]

k = [0, 7, 2, 3, 6, 7, 1, 1, 5, 5, 7, 6]

Y =np.c_[i, j, k]

viz.mesh(X=X, Y=Y, opts=dict(opacity=0.5))

图为：

12>vis.pie饼图

举例：

# pie chart

X = np.asarray([19, 26, 55])

viz.pie(

X=X,

opts=dict(legend=['Residential', 'Non-Residential', 'Utility'])

)

图示：

python简笔画绘制数据驱动绘图_pytorch visdom可视化工具学习—2—详细使用-2-plotting绘图...相关推荐

python简笔画绘制数据驱动绘图恐龙_使用python turtle绘制简笔画大白-Go语言中文社区...
使用python turtle绘制简笔画大白完整代码: import turtle as t pen = t.Turtle() # 定义画笔实例 pen.speed(0) pen.pensize(5 ...
python简笔画绘制数据驱动绘图_python：绘制枫叶简笔画
上面是枫叶的简笔图,我们怎么用python程序来完全模拟以上的图片呢?01今天为大家带来用python画枫叶的详细过程. 首先,我们保存上面的图片为"枫叶.jpg",放到pytho ...
python简笔画绘制数据驱动绘图恐龙_python：绘制枫叶简笔画
上面是枫叶的简笔图,我们怎么用python程序来完全模拟以上的图片呢?01今天为大家带来用python画枫叶的详细过程. 首先,我们保存上面的图片为"枫叶.jpg",放到pytho ...
python简笔画绘制数据驱动绘图_python数据分析绘图可视化
简介: 想在1天内快速搞定实时业务数据大屏吗?想用最短路径逆袭成为数据可视化大神吗?想在除了PRD外什么都没有的情况下,体验职场真人版绝境求生吗? 概念:LADV是以上例子中,生成的可视化图表,均可 ...
python简笔画绘制数据驱动绘图恐龙_超萌超可爱的恐龙简笔画，简单几步就能学会哦！...
原标题:超萌超可爱的恐龙简笔画,简单几步就能学会哦! 今天,给大家分享一组男孩子最喜欢的恐龙简笔画.本次我画的是恐龙世界中的恶魔龙.关于恶魔龙的知识,大家自行去科普吧,我就不过多介绍啦!超萌超可爱的恶 ...
Qt之图形（简笔画-绘制漂亮的西瓜）
简述 Summer is coming-我们呢,为大家准备了丰盛的佳果-西瓜,清爽解渴,甘味多汁. 一笔一划学简笔画,分分钟让你掌握一门新技能,下面我们来绘制一个"盛夏之王"-西瓜 ...
python简笔画蚂蚁_使用python turtle绘制简笔画大白-Go语言中文社区
使用python turtle绘制简笔画大白完整代码: import turtle as t pen = t.Turtle() # 定义画笔实例 pen.speed(0) pen.pensize(5 ...
python简笔画_不给糖果就捣乱，用Python绘制有趣的万圣节南瓜怪
关于万圣节万圣节又叫诸圣节,在每年的11月1日,是西方的传统节日:而万圣节前夜的10月31日是这个节日最热闹的时刻.在中文里,常常把万圣节前夜(Halloween)讹译为万圣节(All Saints ...
python简笔画_不给糖果就捣乱，用 Python 绘制有趣的万圣节南瓜怪
关于万圣节万圣节又叫诸圣节,在每年的 11 月 1 日,是西方的传统节日:而万圣节前夜的 10 月 31 日是这个节日最热闹的时刻.在中文里,常常把万圣节前夜(Halloween)讹译为万圣节(Al ...

python简笔画绘制数据驱动绘图_pytorch visdom可视化工具学习—2—详细使用-2-plotting绘图...

python简笔画绘制数据驱动绘图_pytorch visdom可视化工具学习—2—详细使用-2-plotting绘图...相关推荐

最新文章

热门文章

python简笔画绘制 数据驱动绘图_pytorch visdom可视化工具学习—2—详细使用-2-plotting绘图...

python简笔画绘制 数据驱动绘图_pytorch visdom可视化工具学习—2—详细使用-2-plotting绘图...相关推荐

最新文章

热门文章

python简笔画绘制数据驱动绘图_pytorch visdom可视化工具学习—2—详细使用-2-plotting绘图...

python简笔画绘制数据驱动绘图_pytorch visdom可视化工具学习—2—详细使用-2-plotting绘图...相关推荐