Deep Learning中常见图、线的绘制 -- ROC、PR、箱线图、折线图、损失变化图

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！

一、ROC曲线和PR曲线

---

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()

二、折线图

---

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()

三、箱型图

---

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。