Grapher--寂寞无名的神器

本文介绍Mac系统内置的Grapher软件,通过简单的操作即可绘制复杂的数学图形,包括如何输入公式、调整样式等内容,并对比了Python绘图的优势。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

heart1.png

承自上一篇中的函数图形,有人问,能不能别把画个图搞那么复杂,我说当然,只要你有一台mac。
话说出来很潇洒的样子,充斥着一股迷之自信。

可能这就是mac用户典型的特征,尽管也许并没有那么值得骄傲。
其实在上一篇中我见到照片的时候就看出来用的是什么软件了,mac内置的grapher。grapher的诞生还有一段荡气回肠的“硅谷往事”,是一个令我汗颜而又激励我努力的故事。故事英文原文请看:http://www.PacificT.com/Story/,中文译文的网址打不开了,这里有个转载:https://blog.youkuaiyun.com/pkuaku/article/details/5828424
其实就是这样一个个生动而又如同就在身边的故事,累计在一起,造就了mac的不同吧。

跟Grapher比起来,Python的兼容性和普及度无疑会更好,所以上一篇中我给出了用Python绘制心形的方法。使用Python,不管是mac/Linux亦或Win,都能很顺畅的绘制出函数图形。
但是如果说操作简单、效果直观,Grapher出山,无人敢领其锋。至于我上篇中说到的mathmatica,那是很贵的好不好?
heartofgrapher.png

Grapher打开,选择2D/Default模式,就可以在界面上输入公式了。公式的输入大致有以下几种情况:

  • 通常的符号可以直接输入,类似y=。
  • 根号、分数、π符号等,点界面最右侧的“西格玛”符号,进去有很多预定义的结构,可以选中之后直接输入。
  • 绝对值直接使用竖线|符号,会自动出来两个,在中间输入绝对值中间的内容。
  • arccos这样的,是预定义的函数,可以直接输入。
  • 上标(乘方)可以使用^符号后输入。
  • 下标,比如西格玛函数的下标,可以使用下划线_之后输入。

基本上知道这些就可以输入公式了。注意输入公式的过程中,全部要使用西文、半角字符,这样输入完成后,Grapher才能自动进行运算,并绘制出图形。
心形图像分成上下两部分,有两个y=f(x)公式,在Grapher中可以输入两个公式,然后在左侧公式列表中全部勾选上公式前面的选中框,两部分函数图形就可以同屏显示了。

除了进行函数计算、图形计算,所输入的公式也可以直接拷贝出来,粘贴到keynote/pages文档里面,因为是矢量图形,放大多少也不会造成锯齿和失真。

转载于:https://www.cnblogs.com/andrewwang/p/9100278.html

### Grapher-Transformer 的使用与实现 Grapher-Transformer 是一种结合图神经网络 (GNN) 和变压器架构的技术框架,旨在处理复杂的结构化数据和序列建模任务。以下是关于其使用的详细介绍: #### 1. 图形表示学习的基础 图形表示学习的核心在于通过节点嵌入来捕捉复杂关系中的语义信息[^1]。Grapher-Transformer 将这种能力扩展到大规模异构数据集上,利用注意力机制增强模型的表现力。 #### 2. 安装依赖项 为了运行 Grapher-Transformer,通常需要安装一些必要的库。以下是一个典型的 Python 环境配置脚本: ```bash pip install torch torchvision dgl networkx matplotlib scikit-learn ``` 这些工具提供了支持张量操作、深度学习训练以及可视化等功能所需的功能集合[^2]。 #### 3. 数据预处理流程 在实际应用之前,原始输入需经过一系列转换步骤才能适配于 Grapher-Transformer 架构的要求。这包括但不限于构建邻接矩阵、特征向量化等过程[^3]。 #### 4. 模型定义样例 下面展示了一个简单的基于 PyTorch 实现的 Grapher-Transformer 类定义片段: ```python import torch.nn as nn from dgl.nn.pytorch import GATConv, GraphConv class GrapherTransformer(nn.Module): def __init__(self, input_dim, hidden_dim, num_heads=8, dropout=0.5): super(GrapherTransformer, self).__init__() # 初始化层参数... def forward(self, g, features): h = self.gat_layers(g, features) output = self.transformer_encoder(h) return output ``` 此代码展示了如何组合 GAT 层与标准 Transformer 编码器组件形成混合体系结构[^4]。 #### 5. 训练方法概述 采用监督学习方式进行优化时,损失函数的选择取决于具体应用场景;例如分类问题可选用交叉熵误差作为目标指标之一[^5]。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值