一篇好的论文中图和表是必不可少的,本人结合自己写论文过程中用到的一些图、线,并对此稍加整合,汇总成本文。本文基于Python语言实现。本人研究方向为图像分割,故案例均与图像有关,望周知!
首先需要介绍的是ROC曲线和PR曲线的绘制,这在深度学习的论文中是很常见的,一个神经网络模型的好坏可以通过ROC曲线和PR曲线呈现出来。
绘制ROC曲线和PR曲线,需要使用混淆矩阵,不了解混淆矩阵的小伙伴可以去混淆矩阵查阅,而建立一个混淆矩阵需要图像的label和预测值,注意的是:预测值必须是模型预测分类的概率,而不是0-1。若使用图像的label和0-1矩阵,则画出的ROC和PR曲线会是一条折线,而不是一条光滑的曲线。
- 导包
import matplotlib.pyplot as plt
import numpy as np
from sklearn.metrics import roc_curve, auc, precision_recall_curve
from scipy.interpolate import interp1d
1.1 ROC曲线的绘制
1.载入.npy文件;pred_images.npy文件是模型预测的结果的汇总;gt_images.npy是ground truth的汇总
pred = np.load(‘pred_images.npy’)
gt = np.load(‘gt_images.npy’)
2.定义一个画布
plt.figure(1)
3.计算fpr、tpr及roc曲线的面积
fpr, tpr, thresholds = roc_curve((gt), pred)
roc_auc = auc(fpr, tpr)
4.绘制roc曲线
plt.plot(fpr, tpr, label=‘UNet (area = {:.4f})’.format(roc_auc), color=‘blue’)
5.格式个性化
font1 = {
‘weight’ : ‘normal’,
‘size’ : 14, }
plt.xlabel(“FPR (False Positive Rate)”, font1)
plt.ylabel(“TPR (True Positive Rate)”, font1)
plt.legend(loc=“lower right”, fontsize=12)
plt.xticks(fontsize=13)
plt.yticks(fontsize=13)
plt.axis([0, 1, 0.70, 1])
plt.title(‘ROC Curve’, font1)
plt.show()
print(‘Done!’)
1.2 PR曲线的绘制
1.载入.npy文件;pred_images.npy文件是UNet模型预测的结果的汇总;gt_images.npy是ground truth的汇总
pred = np.load(‘pred_images.npy’)
gt = np.load(‘gt_images.npy’)
2.定义一个画布
plt.figure(1)
precision, recall, thresholds = precision_recall_curve(gt, pred)
precision = np.fliplr([precision])[0] # so the array is increasing (you won’t get negative AUC)
recall = np.fliplr([recall])[0] # so
必看视频!获取2024年最新Java开发全套学习资料 备注Java
the array is increasing (you won’t get negative AUC)
AUC_prec_rec = np.trapz(precision, recall)
plt.plot(recall, precision, ‘-’, label=‘UNet (area = %.4f)’ % AUC_prec_rec, color=‘blue’)
font1 = {
‘weight’ : ‘normal’,
‘size’ : 14, }
plt.title(‘Precision Recall Curve’, font1)
plt.xlabel(“Recall”, font1)
plt.ylabel(“Precision”, font1)
plt.xticks(fontsize=12)
plt.yticks(fontsize=12)
plt.legend(loc=“lower left”, fontsize=8)
plt.axis([0.2, 0.9, 0.7, 1])
plt.show()
a = np.random.randn(5)
x_list = [‘a’, ‘b’, ‘c’, ‘d’, ‘e’]
fig = plt.figure()
plt.plot(x_list, a, marker=‘o’, markersize=3)
for a, b in zip(x_list, a):
plt.text(a, b, b, ha=‘center’, va=‘top’, fontsize=8)
plt.legend([‘line’])
plt.show()
data_list = []
a = np.random.randn(10)
b = np.random.randn(10)
c = np.random.randn(10)
d = np.random.randn(10)
e = np.random.randn(10)
data_list.append(a)
data_list.append(b)
data_list.append©
最后
关于面试刷题也是有方法可言的,建议最好是按照专题来进行,然后由基础到高级,由浅入深来,效果会更好。当然,这些内容我也全部整理在一份pdf文档内,分成了以下几大专题:
- Java基础部分
- 算法与编程
- 数据库部分
- 流行的框架与新技术(Spring+SpringCloud+SpringCloudAlibaba)
这份面试文档当然不止这些内容,实际上像JVM、设计模式、ZK、MQ、数据结构等其他部分的面试内容均有涉及,因为文章篇幅,就不全部在这里阐述了。
作为一名程序员,阶段性的学习是必不可少的,而且需要保持一定的持续性,这次在这个阶段内,我对一些重点的知识点进行了系统的复习,一方面巩固了自己的基础,另一方面也提升了自己的知识广度和深度。
Cloud+SpringCloudAlibaba)
[外链图片转存中…(img-c1ObiqO5-1716406668975)]
这份面试文档当然不止这些内容,实际上像JVM、设计模式、ZK、MQ、数据结构等其他部分的面试内容均有涉及,因为文章篇幅,就不全部在这里阐述了。
作为一名程序员,阶段性的学习是必不可少的,而且需要保持一定的持续性,这次在这个阶段内,我对一些重点的知识点进行了系统的复习,一方面巩固了自己的基础,另一方面也提升了自己的知识广度和深度。