Deep Learning中常见图、线的绘制 -- ROC、PR、箱线图、折线图、损失变化图(1)

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 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©

data_list.append(d)

data_list.append(e)

fig = plt.figure()

plt.boxplot(data_list, notch=False, vert=True, meanline=True, showmeans=True, sym=None)

plt.xticks([data+1 for data in range(len(data_list))], [‘a’, ‘b’, ‘c’, ‘d’, ‘e’])

plt.plot()

plt.show()

四、损失变化图

---

绘制损失变化图需要使用Visdom，相关visdom库得内容可以参考Visdom。

最后

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Java工程师，想要提升技能，往往是自己摸索成长，自己不成体系的自学效果低效漫长且无助。

因此收集整理了一份《2024年Java开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Java开发知识点，不论你是刚入门Java开发的新手，还是希望在技术上不断提升的资深开发者，这些资料都将为你打开新的学习之门！

如果你觉得这些内容对你有帮助，需要这份全套学习资料的朋友可以戳我获取！！

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且会持续更新！
盖了95%以上Java开发知识点，不论你是刚入门Java开发的新手，还是希望在技术上不断提升的资深开发者，这些资料都将为你打开新的学习之门！**

如果你觉得这些内容对你有帮助，需要这份全套学习资料的朋友可以戳我获取！！

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且会持续更新！