这篇文章主要介绍了matplotlib动态显示，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
1.matplotlib动态绘图
python在绘图的时候，需要开启 interactive mode。核心代码如下：
plt.ion(); #开启interactive mode 成功的关键函数 fig = plt.figure(1); for i in range(100): filepath="E:/Model/weights-improvement-" + str(i + 1) + ".hdf5"; model.load_weights(filepath); #测试数据 x_new = np.linspace(low, up, 1000); y_new = getfit(model,x_new); # 显示数据 plt.clf(); plt.plot(x,y); plt.scatter(x_sample, y_sample); plt.plot(x_new,y_new); ffpath = "E:/imgs/" + str(i) + ".jpg-600"; plt.savefig(ffpath); plt.pause(0.01) # 暂停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() # 关闭交互模式
2.实例
已知下面采样自Sin函数的数据：
| 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 | 来源gaodai$ma#com搞$代*码网-0.975 |
| 20 | 5.76 | -0.999 |
通过一个简单的三层神经网络训练一个Sin函数的拟合器，并可视化模型训练过程的拟合曲线。
2.1 网络训练实现
主要做的事情是定义一个三层的神经网络，输入层节点数为1，隐藏层节点数为10，输出层节点数为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 #采样函数 def sample(low, up, num): data = []; for i in range(num): #采样 tmp = random.uniform(low, up); data.append(tmp); data.sort(); return data; #sin函数 def func(x): y = []; for i in range(len(x)): tmp = math.sin(x[i] - math.pi/3); y.append(tmp); return y; #获取模型拟合结果 def getfit(model,x): y = []; for i in range(len(x)): tmp = model.predict([x[i]], 10); y.append(tmp[0][0]); return y; #删除同一目录下的所有文件 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); # 数据采样 # 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]; # 建立顺序神经网络层次模型 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); #测试数据 x_new = np.linspace(low, up, 1000); y_new = getfit(model,x_new); # 数据可视化 plt.plot(x,y); plt.scatter(x_sample, y_sample); plt.plot(x_new,y_new); plt.show();
2.2 模型保存
在神经网络训练的过程中，有一个非常重要的操作，就是将训练过程中模型的参数保存到本地，这是后面拟合过程可视化的基础。训练过程中保存的模型文件，如下图所示。
模型保存的关键在于fit函数中callback函数的设置，注意到，下面的代码，每次迭代，算法都会执行callbacks函数指定的函数列表中的方法。这里，我们的回调函数设置为ModelCheckpoint，其参数如下表所示：
| 参数 | 含义 |
| filename | 字符串，保存模型的路径 |
| verbose |
信息展示模式，0或1 (Epoch 00001: saving model to …) |
| mode | ‘auto’，‘min’，‘max’ |
| monitor | 需要监视的值 |
| save_best_only | 当设置为True时，监测值有改进时才会保存当前的模型。在save_best_only=True时决定性能最佳模型的评判准则，例如，当监测值为val_acc时，模式应为max，当监测值为val_loss时，模式应为min。在auto模式下，评价准则由被监测值的名字自动推断 |
| save_weights_only | 若设置为True，则只保存模型权重，否则将保存整个模型（包括模型结构，配置信息等） |
| period | CheckPoint之间的间隔的epoch数 |
# callback filepath="E:/Model/weights-improvement-{epoch:00d}.hdf5"; checkpoint= ModelCheckpoint(filepath, verbose=1, save_best_only=False, mode='max'); callbacks_list= [checkpoint]; # 建立顺序神经网络层次模型 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 拟合过程可视化实现
利用上述保存的模型，我们就可以通过matplotlib实时地显示拟合过程。
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 #定义kdd99数据预处理函数 def sample(low, up, num): data = []; for i in range(num): #采样 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-600"; img = Image.open(fpath); plt.axis('off') # 关掉坐标轴为 off return plt.imshow(img); def update(i): fpath = "E:/imgs/" + str(i) + ".jpg-600"; img = Image.open(fpath); plt.axis('off') # 关掉坐标轴为 off return plt.imshow(img); if __name__ == '__main__': low = 0; up = 2 * math.pi; x = np.linspace(low, up, 1000); y = func(x); # 数据采样 # 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); # 建立顺序神经网络层次模型 model = Sequential(); model.add(Dense(10, input_dim=1, init='uniform', activation='relu')); model.add(Dense(1, init='uniform', activation='tanh')); plt.ion(); #开启interactive mode 成功的关键函数 fig = plt.figure(1); for i in range(100): filepath="E:/Model/weights-improvement-" + str(i + 1) + ".hdf5"; model.load_weights(filepath); #测试数据 x_new = np.linspace(low, up, 1000); y_new = getfit(model,x_new); # 显示数据 plt.clf(); plt.plot(x,y); plt.scatter(x_sample, y_sample); plt.plot(x_new,y_new); ffpath = "E:/imgs/" + str(i) + ".jpg-600"; plt.savefig(ffpath); plt.pause(0.01) # 暂停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()
以上所述是小编给大家介绍的matplotlib动态显示详解整合，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对gaodaima搞代码网网站的支持！
以上就是【python】matplotlib动态显示详解的详细内容，更多请关注gaodaima搞代码网其它相关文章！
搞代码网（gaodaima.com）提供的所有资源部分来自互联网，如果有侵犯您的版权或其他权益，请说明详细缘由并提供版权或权益证明然后发送到邮箱[email protected]，我们会在看到邮件的第一时间内为您处理，或直接联系QQ：872152909。本网站采用BY-NC-SA协议进行授权
转载请注明原文链接：【python】matplotlib动态显示详解
转载请注明原文链接：【python】matplotlib动态显示详解
