Jupiter notebook如何改变绘图大小

本文介绍两种在JupyterNotebook中放大显示图片的方法:一是通过修改matplotlib的rcParams属性来调整图片尺寸;二是使用%matplotlibnotebook命令,创建可交互的图片窗口,便于调整图片大小和进行其他操作。

我认为第一种方法最好用,第二种真的不好用
转载
最近在用notebook做一些CV方面的工作,发现在notebook里调用matplotlib显示图片,行间的图片特别的小。特别是做objective detection,对图片打的label看起来很费力,就想着能不能把行间显示的图片放大一些,于是通过google找了几种方法:

1、可以通过rcParams属性直接修改plot的size:

plt.rcParams[‘figure.figsize’] = (10.0, 8.0) # 单位是inches

rcParams有很多属性可以设置,具体的可以看matplotlib的官网介绍: https://matplotlib.org/tutorials/introductory/customizing.html

2、使用notebook的魔术命令:%matplotlib notebook:

这种方法最简单,它会显示一个可以交互的图片窗口,你可以通过鼠标拖动的方式改变现实的图片大小,甚至还可以在鼠标在图片上移动时实时显示鼠标相对于图片(0,0)点的坐标,还有些其他的交互功能(如保存、平移等)。如下图所示:

有一篇外网的文章介绍了它的使用方法,可以参考一下: https://medium.com/@1522933668924/using-matplotlib-in-jupyter-notebooks-comparing-methods-and-some-tips-python-c38e85b40ba1

版权声明:本文为优快云博主「eddyli」的原创文章,遵循CC 4.0 by-sa版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.youkuaiyun.com/eddyli/article/details/84552304

### Jupyter Notebook 中与 AI 集成功能的相关教程和实例 Jupyter Notebook 是一种广泛使用的交互式开发环境,支持多种编程语言以及丰富的可视化工具。它在人工智能领域中的应用非常普遍,尤其是在机器学习、深度学习和数据分析方面。 #### 安装必要的库 要集成 AI 功能到 Jupyter Notebook 中,通常需要安装一些常用的 Python 库。以下是几个常见的依赖项及其用途: - **TensorFlow 和 PyTorch**: 这两个框架提供了构建神经网络所需的核心功能。 - **Scikit-Learn**: 提供了许多用于传统机器学习算法的实现。 - **Pandas 和 NumPy**: 数据处理的基础工具。 可以通过以下命令来安装这些库: ```bash pip install tensorflow pytorch scikit-learn pandas numpy matplotlib jupyterlab ``` #### 使用 TensorFlow 的简单示例 下面展示如何利用 TensorFlow 构建并训练一个简单的神经网络模型[^1]: ```python import tensorflow as tf from tensorflow.keras import layers, models # 创建一个顺序模型 model = models.Sequential() model.add(layers.Dense(64, activation='relu', input_shape=(32,))) model.add(layers.Dense(64, activation='relu')) model.add(layers.Dense(10)) # 编译模型 model.compile(optimizer=tf.keras.optimizers.Adam(0.01), loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True), metrics=['accuracy']) # 训练模型 (假设已有数据 X_train 和 y_train) history = model.fit(X_train, y_train, epochs=10, batch_size=32) ``` #### 利用 Scikit-Learn 实现个性化推荐系统 通过提示词工程可以增强推荐系统的性能[^2]。例如,在基于协同过滤的方法中,我们可以引入用户行为特征作为额外输入: ```python from sklearn.decomposition import NMF # 假设我们有一个评分矩阵 R R = ... # 用户物品评分矩阵 # 初始化非负矩阵分解模型 nmf_model = NMF(n_components=50) # 对评分矩阵进行降维得到隐因子表示 W = nmf_model.fit_transform(R) # 用户隐向量 H = nmf_model.components_ # 物品隐向量 ``` #### CKBERT 模型的应用案例 如果希望尝试最新的预训练语言模型,则可考虑使用 CKBERT 来完成自然语言处理任务[^3]: ```python from transformers import BertTokenizer, TFBertForSequenceClassification tokenizer = BertTokenizer.from_pretrained('ckbert-base') model = TFBertForSequenceClassification.from_pretrained('ckbert-base') text = "这是一个测试句子" tokens = tokenizer(text, return_tensors="tf") outputs = model(tokens['input_ids']) predictions = outputs.logits.numpy().argmax(axis=-1) print(predictions) ``` ---
评论 4
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