matplotlib 画动态图以及plt.ion()和plt.ioff()的使用

学习python的道路是漫长的，今天又遇到一个问题，所以想写下来自己的理解方便以后查看。

在使用matplotlib的过程中，常常会需要画很多图，但是好像并不能同时展示许多图。这是因为python可视化库matplotlib的显示模式默认为阻塞（block）模式。什么是阻塞模式那？我的理解就是在plt.show()之后，程序会暂停到那儿，并不会继续执行下去。如果需要继续执行程序，就要关闭图片。那如何展示动态图或多个窗口呢？这就要使用plt.ion()这个函数，使matplotlib的显示模式转换为交互（interactive）模式。即使在脚本中遇到plt.show()，代码还是会继续执行。下面这段代码是展示两个不同的窗口：

  
  

    
    

     
     

    
    
    
    

     
     
    
      
      import 
      
      matplotlib
      
      .pyplot 
      
      as 
      
      plt
     
     
    
    

    
    

     
     

    
    
    
    

     
     
    
      
      plt
      
      .ion()    # 打开交互模式
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
          # 同时打开两个窗口显示图片
     
     
    
    

    
    

     
     

    
    
    
    

     
     
    
      
      plt
      
      .figure()  #图片一
     
     
    
    

    
    

     
     

    
    
    
    

     
     
    
      
      plt
      
      .imshow(
      
      i1)
     
     
    
    

    
    

     
     

    
    
    
    

     
     
    
      
      plt
      
      .figure()    #图片二
     
     
    
    

    
    

     
     

    
    
    
    

     
     
    
      
      plt
      
      .imshow(
      
      i2)
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
          # 显示前关掉交互模式
     
     
    
    

    
    

     
     

    
    
    
    

     
     
    
      
      plt
      
      .ioff()
     
     
    
    

    
    

     
     

    
    
    
    

     
     
    
      
      plt
      
      .show()
     
     
    
    
  
  

在plt.show()之前一定不要忘了加plt.ioff()，如果不加，界面会一闪而过，并不会停留。那么动态图像是如何画出来的，请看下面这段代码，具体的解释就不在这里阐述了，以后有时间再更新：

  
  

    
    

     
     

    
    
    
    

     
     

      
      import tensorflow 
      
      as tf
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      import numpy 
      
      as np
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      import matplotlib.pyplot 
      
      as plt
     
     
    
    

    
    

     
     

    
    
    
    

     
     
 
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      def add_layer(inputs,in_size,out_size,activation_funiction=None):
     
     
    
    

    
    

     
     

    
    
    
    

     
     
 
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
          Weights = tf.Variable(tf.random_normal([in_size,out_size]))
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
          biases = tf.Variable(tf.zeros([
      
      1,out_size]) +
      
      0.1)
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
          Wx_plus_b = tf.matmul(inputs,Weights)+biases
     
     
    
    

    
    

     
     

    
    
    
    

     
     
    
      
      if activation_funiction 
      
      is 
      
      None:
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
              outputs = Wx_plus_b
     
     
    
    

    
    

     
     

    
    
    
    

     
     
    
      
      else:
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
              outputs = activation_funiction(Wx_plus_b)
     
     
    
    

    
    

     
     

    
    
    
    

     
     
    
      
      return outputs
     
     
    
    

    
    

     
     

    
    
    
    

     
     
 
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      x_data = np.linspace(
      
      -1,
      
      1,
      
      300)[:,np.newaxis]
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      noise = np.random.normal(
      
      0,
      
      0.05,x_data.shape)
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      y_data = np.square(x_data)
      
      -0.5 +noise
     
     
    
    

    
    

     
     

    
    
    
    

     
     
 
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      xs = tf.placeholder(tf.float32,[
      
      None,
      
      1])   
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      ys = tf.placeholder(tf.float32,[
      
      None,
      
      1])
     
     
    
    

    
    

     
     

    
    
    
    

     
     
 
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      #add hidden layer
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      l1 = add_layer(xs,
      
      1,
      
      10,activation_funiction=tf.nn.relu)
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      #add output layer
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      prediction = add_layer(l1,
      
      10,
      
      1,activation_funiction=
      
      None)
     
     
    
    

    
    

     
     

    
    
    
    

     
     
 
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      #the error between prediction and real data
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[
      
      1]))
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      train_step = tf.train.GradientDescentOptimizer(
      
      0.1).minimize(loss)
     
     
    
    

    
    

     
     

    
    
    
    

     
     
 
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      init =tf.initialize_all_variables()
     
     
    
    

    
    

     
     

    
    
    
    

     
     
 
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      with tf.Session() 
      
      as sess:
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
          sess.run(init)
     
     
    
    

    
    

     
     

    
    
    
    

     
     
 
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
          fig = plt.figure()
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
          ax = fig.add_subplot(
      
      1,
      
      1,
      
      1)
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
          ax.scatter(x_data,y_data)
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
          plt.ion()   
      
      #将画图模式改为交互模式
     
     
    
    

    
    

     
     

    
    
    
    

     
     
 
     
     
    
    

    
    

     
     

    
    
    
    

     
     
    
      
      for i 
      
      in range(
      
      1000):
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
              sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
     
     
    
    

    
    

     
     

    
    
    
    

     
     
        
      
      if i%
      
      50 ==
      
      0:
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
                  plt.pause(
      
      0.1)
     
     
    
    

    
    

     
     

    
    
    
    

     
     
            
      
      try:
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
                      ax.lines.remove(lines[
      
      0])
     
     
    
    

    
    

     
     

    
    
    
    

     
     
            
      
      except Exception:
     
     
    
    

    
    

     
     

    
    
    
    

     
     
                
      
      pass
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
                  prediction_value = sess.run(prediction,feed_dict={xs:x_data})
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
                  lines = ax.plot(x_data,prediction_value,
      
      'r-',lw=
      
      5)
     
     
    
    

    
    

     
     

    
    
    
    

     
     
 
     
     
    
    

    
    

     
     

    
    
    
    

     
     
 
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
                  print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))
     
     
    
    

    
    

     
     

    
    
    
    

     
     
 
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
          plt.ioff()
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
          plt.show()
     
     
    
    
  
  

上面这段代码执行之后就会看到一条曲线在动态的拟合数据，直到训练结束。

下面就来讲讲matplotlib这两种模式具体的区别

在交互模式下：

1、plt.plot(x)或plt.imshow(x)是直接出图像，不需要plt.show()

2、如果在脚本中使用ion()命令开启了交互模式，没有使用ioff()关闭的话，则图像会一闪而过，并不会常留。要想防止这种情况，需要在plt.show()之前加上ioff()命令。

在阻塞模式下：

1、打开一个窗口以后必须关掉才能打开下一个新的窗口。这种情况下，默认是不能像Matlab一样同时开很多窗口进行对比的。

2、plt.plot(x)或plt.imshow(x)是直接出图像，需要plt.show()后才能显示图像