【Pytorch学习笔记】3.温习matplotlib——实用的 matplotlib.pyplot 预览图片类数据集的方法(以FashionMNIST为例)
文章目录
- matplotlib绘图原理和步骤
- matplotlib.pyplot绘图原理
- 快速绘图
- imshow()快速显示Fashion-MNIST数据集图片
- pyplot.subplots()批量显示FashionMNIST图片
- subplots() 语法格式:
- 按一行10个显示FashionMNIST数据集中的图片
我们在使用图像分类数据集时,在载入数据集后,一定会先取一批数据预览一下。
最常用的方法之一是matplotlib库显示图片。
这里自己记录一下图片类数据集常用的图片预览方法,顺便复习matplotlib的绘图原理。
matplotlib绘图原理和步骤
先温习一下matplotlib的绘图原理
matplotlib.pyplot绘图原理
简述一下,在使用matplotlib.pyplot模块绘图时,会先创建三大核心元素:
画布(figure)→坐标系(axes)→坐标轴(axis),如图:
因此底层步骤为:
创建画布figure → 立画图区域axes(又叫坐标系)→ 区域内设定坐标轴
→ 使用绘图语句绘图(如plot()函数)→ 使用show()展现出来
创建画布常用 plt.figure() 函数;
建立画图区域常用 fig.subplot() 函数;
坐标轴使用默认,然后再 axes上使用绘图函数绘图。
例子:
import matplotlib.pyplot as pltfig = plt.figure()
ax = fig.add_subplot(1,1,1)
x = [1,2,3]
y = [1,2,3]
ax.plot(x, y)
plt.show()
# 输出:
快速绘图
但是我们使用pyplot画图,如果直接使用绘图函数,matplotlib自己会创建一张默认的画布,再开辟一块默认的坐标轴区域,然后给我们绘制上去。
所以在jupyter notebook中我们可以直接使用plt.plot快速绘图:
imshow()快速显示Fashion-MNIST数据集图片
我们使用FashionMNIST数据集,Fashion-MNIST是一个10分类数据集,包括了衣物、包包、运动鞋等时尚妆扮的类别。
使用imshow()
方法直接传入一个符合要求的Tensor,取一张图片快速显示:
(何为符合要求的Tensor见下面注释)
import torchvision
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
# 使用torchvision的datasets类获取FashionMNIST数据集,并新建一个训练集
# 使用了transform = transforms.ToTensor()转换器,使所有数据转换为Tensor。
# 转换成的Tensor 数据类型为torch.float32,位于[0.0, 1.0]
mnist_train = torchvision.datasets.FashionMNIST(root='~/Datasets/FashionMNIST', train=True, download=True, transform=transforms.ToTensor())
# feature为图像信息,label为标签
feature, label = mnist_train[0]
print(feature.shape, label)
plt.imshow(feature.view((28,28)))
# 图片是单通道1*28*28像素图片,须转成28*28像素灰度图片来显示
# 显示: (9号类别即为“ankle boot(短靴)”)
pyplot.subplots()批量显示FashionMNIST图片
在一开始的例子里使用过subplot()方法:ax = fig.add_subplot(1,1,1)
其传入figure中axes的位置,返回一个axes对象。
当需要同时展示多张图片的时候,我们可以使用pyplot.subplots()
方法,传入图片陈列的行数列数等信息,返回一个figure对象和一个axes对象。
因此代码里常用:fig, ax = plt.subplots()
,然后在各个ax中配置参数并绘图。
subplots() 语法格式:
官方文档
matplotlib.pyplot.subplots(nrows=1, ncols=1, sharex=False, sharey=False, squeeze=True, subplot_kw=None, gridspec_kw=None, **fig_kw)
常用参数:
nrows:图表的行数,默认为 1
ncols:图表的列数,默认为 1
sharex、sharey:设置各个区域 x、y 轴是否使用相同的刻度
**fig_kw:其他关键字参数传递给 pyplot.figure调用,比如设置figsize
按一行10个显示FashionMNIST数据集中的图片
例子:
import torchvision
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
# 新建一个训练集
mnist_train = torchvision.datasets.FashionMNIST(root='~/Datasets/FashionMNIST', train=True, download=True, transform=transforms.ToTensor())def show_fashion_mnist(images, labels):# _表示忽略不适用的变量,返回的fig用不上_, axes = plt.subplots(nrows=1, ncols=len(images), figsize=(12,12))# 使用zip方法,在for循环中设置axes中的各个子区域的参数并绘图for ax, img, lbl in zip(axes, images, labels):ax.imshow(img.view((28, 28)).numpy())ax.set_title(lbl)ax.axes.get_xaxis().set_visible(False)ax.axes.get_yaxis().set_visible(False)plt.show()X, y = [], []
for i in range(10):X.append(mnist_train[i][0])y.append(mnist_train[i][1])show_fashion_mnist(X, y)
# 显示:
【Pytorch学习笔记】3.温习matplotlib——实用的 matplotlib.pyplot 预览图片类数据集的方法(以FashionMNIST为例)相关推荐
- AndroidCamera学习笔记三 分别实现API1和API2的预览拍照录像
APP层实现 在前面先基本了解了下Camera从顶到底的基本框架结构,在Framework层(我这里将Runtime,Nativelibrary,JNI等部分统一归入了Framework)时仅介绍了j ...
- PyTorch学习笔记(二)——回归
PyTorch学习笔记(二)--回归 本文主要是用PyTorch来实现一个简单的回归任务. 编辑器:spyder 1.引入相应的包及生成伪数据 import torch import torch.nn ...
- 深度学习入门之PyTorch学习笔记:多层全连接网络
深度学习入门之PyTorch学习笔记 绪论 1 深度学习介绍 2 深度学习框架 3 多层全连接网络 3.1 PyTorch基础 3.2 线性模型 3.2.1 问题介绍 3.2.2 一维线性回归 3.2 ...
- PyTorch学习笔记(七):PyTorch可视化
PyTorch可视化 往期学习资料推荐: 1.Pytorch实战笔记_GoAI的博客-CSDN博客 2.Pytorch入门教程_GoAI的博客-CSDN博客 本系列目录: PyTorch学习笔记(一) ...
- PyTorch学习笔记(四):PyTorch基础实战
PyTorch实战:以FashionMNIST时装分类为例: 往期学习资料推荐: 1.Pytorch实战笔记_GoAI的博客-CSDN博客 2.Pytorch入门教程_GoAI的博客-CSDN博客 本 ...
- PyTorch学习笔记2:nn.Module、优化器、模型的保存和加载、TensorBoard
文章目录 一.nn.Module 1.1 nn.Module的调用 1.2 线性回归的实现 二.损失函数 三.优化器 3.1.1 SGD优化器 3.1.2 Adagrad优化器 3.2 分层学习率 3 ...
- 莫烦pytorch学习笔记5
莫烦pytorch学习笔记5 1 自编码器 2代码实现 1 自编码器 自编码,又称自编码器(autoencoder),是神经网络的一种,经过训练后能尝试将输入复制到输出.自编码器(autoencode ...
- PyTorch学习笔记——图像处理(transforms.Normalize 归一化)
PyTorch学习笔记--图像处理 transforms.Normalize 归一化 回顾 torchvision.ToTensor 归一化 transforms.Normalize 公式 回顾 to ...
- PyTorch学习笔记:nn.Tanh——Tanh激活函数
PyTorch学习笔记:nn.Tanh--Tanh激活函数 torch.nn.Tanh() 功能:逐元素应用Tanh函数(双曲正切)对数据进行激活,将元素调整到区间(-1,1)内 函数方程: Tanh ...
最新文章
- Standby Redo Log 的设定原则、创建、删除、查看、归档位置
- HTML5手机端几秒钟自动跳转
- SMGP3.0协议的概念知识
- 【电子信息复试】考研复试常考问题——数据结构
- bootstrap 分页_这五款超好用的Bootstrap扩展,让你的Web开发事半功倍
- 反射在java中的应用_java反射机制在项目中的运用
- Google Map浏览下载器
- 相同字符串的string对象不等
- 使用 PSD Validator 在线校验 PSD 文件的质量
- c语言 选择结构,C语言学习:选择结构
- qiniu rs.php,七牛API操作类 - suconghou的个人空间 - OSCHINA - 中文开源技术交流社区...
- 推荐系统组队学习——WideDeep
- 浅谈对二分查找最大次数的理解
- 基于CNN的区域特定多尺度特征提取的两阶段停车位检测
- Python错误集锦:除法运算时提示ZeroDivisionError: division by zero
- 17家IT创业公司的血泪史(3)
- android backtrace,高通android q 通过backtrace使用addr2ine工具定位crash问题记录
- 原来证件照还可以这样拍?美炸了!再也不怕证件照丑到家了!
- Checking Table 设计模式 - 从概念、建模、设计到实现——兼谈基于业务需求驱动的设计模式创新
- 离散数学 --- 谓词逻辑 --- 谓词符号化与谓词合式公式