Pytorch D2L Subplots方法对画图、图片处理

2023-11-21 08:01

本文主要是介绍Pytorch D2L Subplots方法对画图、图片处理,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!

问题代码

def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5): #@save
"""绘制图像列表"""
figsize = (num_cols * scale, num_rows * scale)
_, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)
axes = axes.flatten()
for i, (ax, img) in enumerate(zip(axes, imgs)):
if torch.is_tensor(img):
# 图片张量
ax.imshow(img.numpy())
else:
# PIL图片
ax.imshow(img)
ax.axes.get_xaxis().set_visible(False)
ax.axes.get_yaxis().set_visible(False)
if titles:
ax.set_title(titles[i])
return axes

d2l.plt.subplots返回值

plt.subplots是matplotlib库中的一个函数,用于创建一个新的Figure对象,并在其中创建一个或多个子图(subplot)。
它的基本用法是:

fig, ax = plt.subplots(nrows=1, ncols=1, **kwargs)
其中,nrowsncols分别指定了子图的行数和列数。如果只想创建一个子图,可以省略其中一个参数。

返回值fig是Figure对象ax则是一个或多个子图的Axes对象(如果只创建了一个子图,则返回一个单独的Axes对象;如果创建了多个子图,则返回一个Axes对象列表)。

kwargs是可选的关键字参数,用于设置Figure和子图的属性。例如,可以使用figsize参数设置Figure的大小,使用sharexsharey参数来共享子图的x轴和y轴。

axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)

解释:

d2l.plt.subplots创建了一个包含多个子图的网格(grid);

num_rows和num_cols分别指定了网格中子图的行数和列数;
figsize指定了整个图像的尺寸,即包含所有子图的画布大小。
返回值axes是一个由网格的子图对象组成的NumPy数组。
我们可以使用它来访问、控制和绘制每个子图。

举例说明:

axes是一个由子图对象组成的NumPy数组,它可以用来访问、控制和绘制每个子图。具体来说,axes是一个大小为(num_rows, num_cols)的NumPy数组,其中axes[i, j]表示第 i + 1 i+1 i+1行和第 j + 1 j+1 j+1列的子图对象。

例如,如果我们使用以下代码创建一个包含 2 2 2行 3 3 3列子图的网格:


import matplotlib.pyplot as pltimport d2lfigsize = (6, 4)num_rows, num_cols = 2, 3axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)那么`axes`将是一个大小为$(2, 3)$的NumPy数组,可以通过索引来访问每个子图对象。例如,我们可以在第$1$行第$2$列的子图中绘制一条直线:axes[0, 1].plot([0, 1], [0, 1])

或者我们可以在所有子图中添加一个标题:


for i in range(num_rows):for j in range(num_cols):axes[i, j].set_title(f'Subplot ({i+1}, {j+1})')

原链接

subplot()、subplots()

subplot()、subplots()在实际过程中,先创建了一个figure画窗,然后通过调用add_subplot()来向画窗中各个分块添加坐标区,其差别在于是分次添加(subplot())还是一次性添加(subplots())

在这里插入图片描述
3.plt.subplots()
语法格式:

matplotlib.pyplot.subplots(nrows=1, ncols=1, *, sharex=False,
sharey=False, squeeze=True,subplot_kw=None, gridspec_kw=None, **fig_kw)
-nrows:默认为 1,设置图表的行数。
-ncols:默认为 1,设置图表的列数。
-sharex、sharey:设置 x、y 轴是否共享属性,默认为 false,可设置为 ‘none’、‘all’、‘row’ 或 ‘col’。 False 或 none 每个子图的 x 轴或 y 轴都是独立的,True 或 ‘all’:所有子图共享 x 轴或 y 轴,‘row’ 设置每个子图行共享一个 x 轴或 y 轴,‘col’:设置每个子图列共享一个 x 轴或 y 轴。

import matplotlib.pyplot as plt
import numpy as np# 创建一些测试数据 
x = np.linspace(0,100, 4)
y = np.sin(x**2)# 创建一个画像和子图 -- 图1
fig, ax = plt.subplots()
ax.plot(x, y)
ax.set_title('Simple plot')# 创建两个子图 -- 图2
#如图figure2,四个子图中上两幅图并无x轴(与下子图共享),因为已设置sharex=True
#若改为sharey=True,可观察到四副子图中右两幅无y轴(即与左子图共享)
f, ([ax1, ax2],[ax3,ax4]) = plt.subplots(2, 2, sharex=True)
ax1.plot(x, y)
ax1.set_title('Sharing x axis')
ax2.scatter(x, y)
ax3.scatter(x, y)
ax4.scatter(x, y)# 创建四个子图 -- 图3
#通过对subplot_kw传入参数,生成关于极坐标系的子图
fig, axs = plt.subplots(2, 2, subplot_kw=dict(projection="polar"))
axs[0, 0].plot(x, y)
axs[1, 1].scatter(x, y)plt.show()

在这里插入图片描述

文章来源地址

python内置函数:zip()函数搭配enumerate函数使用,用在for循环中

简介enumerate()

enumerate()函数是Python的内置函数,对于一个可迭代的(iterable)/可遍历的对象(如列表、字符串),可以利用enumerate函数同时获取对象的索引和值。

x=np.arange(0,100,10)
for i in enumerate(x):index = i[0]; xval = i[1]print(index,xval)
0 0
1 10
2 20
3 30
4 40
5 50
6 60
7 70
8 80
9 90
简介zip()

zip函数是Python的内置函数,它用于将可迭代的对象作为参数,将对象中对应的元素打包成一个个元组,然后返回由这些元组组成的对象(即对多个序列进行并行迭代)。如果各个迭代器元素个数不一致,zip()函数则在最短序列“用完”时就会停止。

sz = np.arange(1,100,10)
sx = np.arange(1,10,1)
for index, (szi, sxi) in enumerate(zip(sz, sx)):print(index,szi,sxi)
0 1 1
1 11 2
2 21 3
3 31 4
4 41 5
5 51 6
6 61 7
7 71 8
8 81 9

transforms.Compose(trans)

Compose()类会将transforms列表里面的transform操作进行遍历。实现的代码很简单:

## 这里对源码进行了部分截取。
def __call__(self, img):for t in self.transforms:	img = t(img)return img

pytorch通过深度学习进行预处理图片,离不开transforms.Compose(),torchvision.datasets.ImageFolder(),torch.utils.data.DataLoader()的用法。

源自于文章

1.Transform.Compose()详解

导入相应的库


import torch
import torchvision
import matplotlib.pyplot as plt
from torch.utils import data
from torchvision import datasets,transforms
from PIL import Image
%matplotlib inline

在这里插入图片描述

class torchvision.transforms.Compose(transforms):# Composes several transforms together.# Parameters: transforms (list of Transform objects) – list of transforms to compose.Example # 可以看出Compose里面的参数实际上就是个列表,而这个列表里面的元素就是你想要执行的transform操作。
>>> transforms.Compose([
>>>     transforms.CenterCrop(10),
>>>     transforms.ToTensor(),])

展示原始图片

pic = "./train/Chihuahua/n02085620_10074.jpg"img = plt.imread(pic)
plt.imshow(img)

定义图片预处理的对象。

traintransform = transforms.Compose([transforms.RandomRotation(20),           # 随机旋转20°transforms.ColorJitter(brightness=0.1), #随机改变图像的亮度对比度和饱和度transforms.Resize([150,150]),          # 转换为需要的尺寸transforms.ToTensor(),                #convert a PIL image to tensor (H*W*C)])
img1 = Image.fromarray(img)   #将numpy对象的img转换为PIL格式
img2 = traintransform(img1)# 图像预处理tensor
img3 = transforms.ToPILImage()(img2)#转换为PIL进行展示
plt.imshow(img3)

展示处理之后的图片,可以看出,图片旋转了20°,并且大小转换为(150,150)

附上——transforms中的函数如何使用?

# Resize:把给定的图片resize到given size
# Normalize:Normalized an tensor image with mean and standard deviation
# ToTensor:convert a PIL image to tensor (H*W*C) in range [0,255] to a torch.Tensor(C*H*W) in the range [0.0,1.0]
# ToPILImage: convert a tensor to PIL image
# Scale:目前已经不用了,推荐用Resize
# CenterCrop:在图片的中间区域进行裁剪
# RandomCrop:在一个随机的位置进行裁剪
# RandomHorizontalFlip:以0.5的概率水平翻转给定的PIL图像
# RandomVerticalFlip:以0.5的概率竖直翻转给定的PIL图像
# RandomResizedCrop:将PIL图像裁剪成任意大小和纵横比
# Grayscale:将图像转换为灰度图像
# RandomGrayscale:将图像以一定的概率转换为灰度图像
# FiceCrop:把图像裁剪为四个角和一个中心
# TenCrop
# Pad:填充
# ColorJitter:随机改变图像的亮度对比度和饱和度。

这篇关于Pytorch D2L Subplots方法对画图、图片处理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!



http://www.chinasem.cn/article/400981

相关文章

Java 中的 @SneakyThrows 注解使用方法(简化异常处理的利与弊)

《Java中的@SneakyThrows注解使用方法(简化异常处理的利与弊)》为了简化异常处理,Lombok提供了一个强大的注解@SneakyThrows,本文将详细介绍@SneakyThro... 目录1. @SneakyThrows 简介 1.1 什么是 Lombok?2. @SneakyThrows

在 Spring Boot 中实现异常处理最佳实践

《在SpringBoot中实现异常处理最佳实践》本文介绍如何在SpringBoot中实现异常处理,涵盖核心概念、实现方法、与先前查询的集成、性能分析、常见问题和最佳实践,感兴趣的朋友一起看看吧... 目录一、Spring Boot 异常处理的背景与核心概念1.1 为什么需要异常处理?1.2 Spring B

判断PyTorch是GPU版还是CPU版的方法小结

《判断PyTorch是GPU版还是CPU版的方法小结》PyTorch作为当前最流行的深度学习框架之一,支持在CPU和GPU(NVIDIACUDA)上运行,所以对于深度学习开发者来说,正确识别PyTor... 目录前言为什么需要区分GPU和CPU版本?性能差异硬件要求如何检查PyTorch版本?方法1:使用命

python处理带有时区的日期和时间数据

《python处理带有时区的日期和时间数据》这篇文章主要为大家详细介绍了如何在Python中使用pytz库处理时区信息,包括获取当前UTC时间,转换为特定时区等,有需要的小伙伴可以参考一下... 目录时区基本信息python datetime使用timezonepandas处理时区数据知识延展时区基本信息

Qt实现网络数据解析的方法总结

《Qt实现网络数据解析的方法总结》在Qt中解析网络数据通常涉及接收原始字节流,并将其转换为有意义的应用层数据,这篇文章为大家介绍了详细步骤和示例,感兴趣的小伙伴可以了解下... 目录1. 网络数据接收2. 缓冲区管理(处理粘包/拆包)3. 常见数据格式解析3.1 jsON解析3.2 XML解析3.3 自定义

SpringMVC 通过ajax 前后端数据交互的实现方法

《SpringMVC通过ajax前后端数据交互的实现方法》:本文主要介绍SpringMVC通过ajax前后端数据交互的实现方法,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价... 在前端的开发过程中,经常在html页面通过AJAX进行前后端数据的交互,SpringMVC的controll

Java中的工具类命名方法

《Java中的工具类命名方法》:本文主要介绍Java中的工具类究竟如何命名,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录Java中的工具类究竟如何命名?先来几个例子几种命名方式的比较到底如何命名 ?总结Java中的工具类究竟如何命名?先来几个例子JD

Spring Security自定义身份认证的实现方法

《SpringSecurity自定义身份认证的实现方法》:本文主要介绍SpringSecurity自定义身份认证的实现方法,下面对SpringSecurity的这三种自定义身份认证进行详细讲解,... 目录1.内存身份认证(1)创建配置类(2)验证内存身份认证2.JDBC身份认证(1)数据准备 (2)配置依

python获取网页表格的多种方法汇总

《python获取网页表格的多种方法汇总》我们在网页上看到很多的表格,如果要获取里面的数据或者转化成其他格式,就需要将表格获取下来并进行整理,在Python中,获取网页表格的方法有多种,下面就跟随小编... 目录1. 使用Pandas的read_html2. 使用BeautifulSoup和pandas3.

Android使用ImageView.ScaleType实现图片的缩放与裁剪功能

《Android使用ImageView.ScaleType实现图片的缩放与裁剪功能》ImageView是最常用的控件之一,它用于展示各种类型的图片,为了能够根据需求调整图片的显示效果,Android提... 目录什么是 ImageView.ScaleType?FIT_XYFIT_STARTFIT_CENTE