溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
1.matplotlib動態繪圖
python在繪圖的時候，需要開啟 interactive mode。核心代碼如下：
plt.ion(); #開啟interactive mode 成功的關鍵函數
fig = plt.figure(1);
for i in range(100):
filepath="E:/Model/weights-improvement-" + str(i + 1) + ".hdf5";
model.load_weights(filepath);
#測試數據
x_new = np.linspace(low, up, 1000);
y_new = getfit(model,x_new);
# 顯示數據
plt.clf();
plt.plot(x,y);
plt.scatter(x_sample, y_sample);
plt.plot(x_new,y_new);
ffpath = "E:/imgs/" + str(i) + ".jpg";
plt.savefig(ffpath);
plt.pause(0.01) # 暫停0.01秒
ani = animation.FuncAnimation(plt.figure(2), update,range(100),init_func=init, interval=500);
ani.save("E:/test.gif",writer='pillow');
plt.ioff() # 關閉交互模式
2.實例
已知下面采樣自Sin函數的數據：
| x | y | |
| 1 | 0.093 | -0.81 |
| 2 | 0.58 | -0.45 |
| 3 | 1.04 | -0.007 |
| 4 | 1.55 | 0.48 |
| 5 | 2.15 | 0.89 |
| 6 | 2.62 | 0.997 |
| 7 | 2.71 | 0.995 |
| 8 | 2.73 | 0.993 |
| 9 | 3.03 | 0.916 |
| 10 | 3.14 | 0.86 |
| 11 | 3.58 | 0.57 |
| 12 | 3.66 | 0.504 |
| 13 | 3.81 | 0.369 |
| 14 | 3.83 | 0.35 |
| 15 | 4.39 | -0.199 |
| 16 | 4.44 | -0.248 |
| 17 | 4.6 | -0.399 |
| 18 | 5.39 | -0.932 |
| 19 | 5.54 | -0.975 |
| 20 | 5.76 | -0.999 |
通過一個簡單的三層神經網絡訓練一個Sin函數的擬合器，并可視化模型訓練過程的擬合曲線。
2.1 網絡訓練實現
主要做的事情是定義一個三層的神經網絡，輸入層節點數為1，隱藏層節點數為10，輸出層節點數為1。
import math;
import random;
from matplotlib import pyplot as plt
from keras.models import Sequential
from keras.layers.core import Dense
from keras.optimizers import Adam
import numpy as np
from keras.callbacks import ModelCheckpoint
import os
#采樣函數
def sample(low, up, num):
data = [];
for i in range(num):
#采樣
tmp = random.uniform(low, up);
data.append(tmp);
data.sort();
return data;
#sin函數
def func(x):
y = [];
for i in range(len(x)):
tmp = math.sin(x[i] - math.pi/3);
y.append(tmp);
return y;
#獲取模型擬合結果
def getfit(model,x):
y = [];
for i in range(len(x)):
tmp = model.predict([x[i]], 10);
y.append(tmp[0][0]);
return y;
#刪除同一目錄下的所有文件
def del_file(path):
ls = os.listdir(path)
for i in ls:
c_path = os.path.join(path, i)
if os.path.isdir(c_path):
del_file(c_path)
else:
os.remove(c_path)
if __name__ == '__main__':
path = "E:/Model/";
del_file(path);
low = 0;
up = 2 * math.pi;
x = np.linspace(low, up, 1000);
y = func(x);
# 數據采樣
# x_sample = sample(low,up,20);
x_sample = [0.09326442022999694, 0.5812590520508311, 1.040490143783586, 1.5504427746047338, 2.1589557183817036, 2.6235357787018407, 2.712578091093361, 2.7379109336528167, 3.0339662651841186, 3.147676812083248, 3.58596337171837, 3.6621496731124314, 3.81130899864203, 3.833092859928872, 4.396611340802901, 4.4481080339256875, 4.609657879057151, 5.399731063412583, 5.54299720786794, 5.764084730699906];
y_sample = func(x_sample);
# callback
filepath="E:/Model/weights-improvement-{epoch:00d}.hdf5";
checkpoint= ModelCheckpoint(filepath, verbose=1, save_best_only=False, mode='max');
callbacks_list= [checkpoint];
# 建立順序神經網絡層次模型
model = Sequential();
model.add(Dense(10, input_dim=1, init='uniform', activation='relu'));
model.add(Dense(1, init='uniform', activation='tanh'));
adam = Adam(lr = 0.05);
model.compile(loss='mean_squared_error', optimizer=adam, metrics=['accuracy']);
model.fit(x_sample, y_sample, nb_epoch=1000, batch_size=20,callbacks=callbacks_list);
#測試數據
x_new = np.linspace(low, up, 1000);
y_new = getfit(model,x_new);
# 數據可視化
plt.plot(x,y);
plt.scatter(x_sample, y_sample);
plt.plot(x_new,y_new);
plt.show();
2.2 模型保存
在神經網絡訓練的過程中，有一個非常重要的操作，就是將訓練過程中模型的參數保存到本地，這是后面擬合過程可視化的基礎。訓練過程中保存的模型文件，如下圖所示。
模型保存的關鍵在于fit函數中callback函數的設置，注意到，下面的代碼，每次迭代，算法都會執行callbacks函數指定的函數列表中的方法。這里，我們的回調函數設置為ModelCheckpoint，其參數如下表所示：
| 參數 | 含義 |
| filename | 字符串，保存模型的路徑 |
| verbose |
信息展示模式，0或1 (Epoch 00001: saving model to ...) |
| mode | ‘auto'，‘min'，‘max' |
| monitor | 需要監視的值 |
| save_best_only | 當設置為True時，監測值有改進時才會保存當前的模型。在save_best_only=True時決定性能最佳模型的評判準則，例如，當監測值為val_acc時，模式應為max，當監測值為val_loss時，模式應為min。在auto模式下，評價準則由被監測值的名字自動推斷 |
| save_weights_only | 若設置為True，則只保存模型權重，否則將保存整個模型（包括模型結構，配置信息等） |
| period | CheckPoint之間的間隔的epoch數 |
# callback
filepath="E:/Model/weights-improvement-{epoch:00d}.hdf5";
checkpoint= ModelCheckpoint(filepath, verbose=1, save_best_only=False, mode='max');
callbacks_list= [checkpoint];
# 建立順序神經網絡層次模型
model = Sequential();
model.add(Dense(10, input_dim=1, init='uniform', activation='relu'));
model.add(Dense(1, init='uniform', activation='tanh'));
adam = Adam(lr = 0.05);
model.compile(loss='mean_squared_error', optimizer=adam, metrics=['accuracy']);
model.fit(x_sample, y_sample, nb_epoch=1000, batch_size=20,callbacks=callbacks_list);
2.3 擬合過程可視化實現
利用上述保存的模型，我們就可以通過matplotlib實時地顯示擬合過程。
import math;
import random;
from matplotlib import pyplot as plt
from keras.models import Sequential
from keras.layers.core import Dense
import numpy as np
import matplotlib.animation as animation
from PIL import Image
#定義kdd99數據預處理函數
def sample(low, up, num):
data = [];
for i in range(num):
#采樣
tmp = random.uniform(low, up);
data.append(tmp);
data.sort();
return data;
def func(x):
y = [];
for i in range(len(x)):
tmp = math.sin(x[i] - math.pi/3);
y.append(tmp);
return y;
def getfit(model,x):
y = [];
for i in range(len(x)):
tmp = model.predict([x[i]], 10);
y.append(tmp[0][0]);
return y;
def init():
fpath = "E:/imgs/0.jpg";
img = Image.open(fpath);
plt.axis('off') # 關掉坐標軸為 off
return plt.imshow(img);
def update(i):
fpath = "E:/imgs/" + str(i) + ".jpg";
img = Image.open(fpath);
plt.axis('off') # 關掉坐標軸為 off
return plt.imshow(img);
if __name__ == '__main__':
low = 0;
up = 2 * math.pi;
x = np.linspace(low, up, 1000);
y = func(x);
# 數據采樣
# x_sample = sample(low,up,20);
x_sample = [0.09326442022999694, 0.5812590520508311, 1.040490143783586, 1.5504427746047338, 2.1589557183817036, 2.6235357787018407, 2.712578091093361, 2.7379109336528167, 3.0339662651841186, 3.147676812083248, 3.58596337171837, 3.6621496731124314, 3.81130899864203, 3.833092859928872, 4.396611340802901, 4.4481080339256875, 4.609657879057151, 5.399731063412583, 5.54299720786794, 5.764084730699906];
y_sample = func(x_sample);
# 建立順序神經網絡層次模型
model = Sequential();
model.add(Dense(10, input_dim=1, init='uniform', activation='relu'));
model.add(Dense(1, init='uniform', activation='tanh'));
plt.ion(); #開啟interactive mode 成功的關鍵函數
fig = plt.figure(1);
for i in range(100):
filepath="E:/Model/weights-improvement-" + str(i + 1) + ".hdf5";
model.load_weights(filepath);
#測試數據
x_new = np.linspace(low, up, 1000);
y_new = getfit(model,x_new);
# 顯示數據
plt.clf();
plt.plot(x,y);
plt.scatter(x_sample, y_sample);
plt.plot(x_new,y_new);
ffpath = "E:/imgs/" + str(i) + ".jpg";
plt.savefig(ffpath);
plt.pause(0.01) # 暫停0.01秒
ani = animation.FuncAnimation(plt.figure(2), update,range(100),init_func=init, interval=500);
ani.save("E:/test.gif",writer='pillow');
plt.ioff()
以上所述是小編給大家介紹的matplotlib動態顯示詳解整合，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復大家的。在此也非常感謝大家對億速云網站的支持！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
