matplotlib画图记录--pyplot

本文介绍如何使用Python的Matplotlib库绘制不同参数的指数分布函数图像,通过调整θ参数,展示了不同形状的指数分布曲线。

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

fig,ax = pyplot.subsplots(figsize=(8,5), nrows=1, ncols=2)

绘制8*5图形,并分成1行2列,返回图形对象fig,和坐标对象ax

pyplot.text(

1.5, 2.5, r"$f(x) = \frac{1}{\theta }e^{\frac{-x}{\theta}}$", fontdict={'size': 15, 'color': 'r'}

)

在坐标1(1.5 ,2.5)处添加函数公式 \frac{n}{m} 表示n/m , \theta表示\theta, 这里列举的是指数分布的概率密度函数

pyplot.ylim() ,设置y坐标最大或者最小的值 ,参数是ymax或ymin

pyplot.plot(x, y, color, linewidth) 绘制图像,并设置线条颜色和宽度

pyplot.show(),展示图像

# f(x) = 1/theta * exp(-x/theta)

from matplotlib import pyplot
import numpy as np


def exp_di(theta, x):
    return 1/theta * np.exp(x / theta * -1)


x = np.linspace(0, 2, 1000)
y1 = exp_di(1/3, x)
y2 = exp_di(1, x)
y3 = exp_di(2, x)

# 绘制 8 * 5图形,返回画图对象fig,和坐标对象ax
fig, ax = pyplot.subplots(figsize=(8, 5), nrows=1, ncols=1)
# 给x轴添加标签
# pyplot.figtext(1.9, 0.1, '$x$')
# 给y轴添加标签
# pyplot.figtext(0.08, 2.5, '$f(x)$')
# 在坐标(1.5, 2.5)给图标添加数学公式
pyplot.text(1.5, 2.5, r"$f(x) = \frac{1}{\theta }e^{\frac{-x}{\theta}}$", fontdict={'size': 15, 'color': 'r'})
# 线条颜色为蓝色,线宽为2
pyplot.plot(x, y1, 'b', linewidth=2)
pyplot.plot(x, y2, 'g', linewidth=2)
pyplot.plot(x, y3, 'r', linewidth=2)
# y轴最小值为0
pyplot.ylim(ymin=0)


pyplot.show()

 

### 绘制 ResNet-1D 的模型结构图 为了绘制 ResNet-1D 神经网络架构图,可以采用多种工具和技术来实现这一目标。一种常见的做法是利用 Python 中的 `matplotlib` 和 `networkx` 库来进行绘图操作。 对于更复杂的神经网络架构,如 ResNet-1D,推荐使用专门设计用于创建深度学习模型可视化的库,比如 `plot_model()` 函数来自 Keras 或者 PyTorch 自带的相关功能[^2]。 以下是通过 Keras 创建并保存 ResNet-1D 架构图的一个简单例子: ```python from tensorflow.keras.utils import plot_model import matplotlib.pyplot as plt def create_resnet_1d(): # 定义 ResNet-1D 模型... model = create_resnet_1d() plot_model(model, to_file='resnet_1d.png', show_shapes=True, dpi=300) plt.imshow(plt.imread('resnet_1d.png')) plt.axis('off') plt.show() ``` 这段代码会生成一张图片文件 (`resnet_1d.png`) 并显示出来,其中包含了整个 ResNet-1D 结构以及各层之间的连接情况。 ### 训练过程可视化 要监控和展示 ResNet-1D 的训练进度,则可以通过记录每次迭代后的损失值和其他指标(例如准确性),并将它们存储在一个列表或其他容器中以便后续分析。之后可借助于 Matplotlib 来制作折线图等形式直观地呈现这些变化趋势。 下面是一个简单的实例演示如何捕捉历史数据并在训练结束后画出相应的曲线: ```python history = model.fit(X_train, y_train, validation_data=(X_val,y_val), epochs=epochs).history fig, ax = plt.subplots(figsize=(8, 6)) ax.plot(history['loss'], label="Training Loss", color='blue') ax.plot(history['val_loss'], label="Validation Loss", linestyle="--", color='red') ax.set_xlabel("Epochs") ax.set_ylabel("Loss Value") ax.legend(loc="best") plt.title("Model Training and Validation Loss Over Epochs") plt.grid(True) plt.tight_layout() plt.savefig('training_validation_loss.pdf') plt.close(fig) ``` 此段脚本将会读取由 fit 方法返回的历史对象中的 loss 值,并将其分别对应到训练集上的表现 (实线) 及验证集上性能 (虚线),最终形成一幅清晰易懂的学习历程图表。
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