科研论文画图技巧分享!超级实用!

前言:很多小伙伴在做科研的过程中,对论文结果的呈现问题大费周章,很多时候经过程序跑出的图不那么好看(美学角度上)。今天,小编在这里分享一些个人在做科研时画图的一些经验和心得(走过很多的坑...),也欢迎广大做科研的朋友们前来补充!由于小编目前在做的是人工智能方面的研究,所以很多时候需要画很多的对比图,比如说柱状图、折线图、聚类结果、彩色表格(渐变色)等等。在投稿英文期刊的时候,期刊往往对图片的格式要求十分严格,因此不仅要调整好图片的布局,还要调整图片的尺寸、分辨率以及格式(*.eps,*.ps, etc.)。因此需要我们在对实验结果的处理上多下功夫。废话说这么多,下面进入正题。

         —————————————================我是分割线===============————————————

 

1、结果保存工具:这个主要是你平时做实验时用的编程软件,如matlab,python等等,你需要做的就是,将结果数据进行保存。

2、Office+Adobe Acrobat:其实很多小伙伴都会觉得其实微软的办公软件没有那么好用,除了平时谢谢文档,做做汇报之类的。no no no,Office的强大超乎你想象。另外还有一类是Adobe旗下的办公软件,这里主要介绍二者的联合使用。

①Excel ②Word ③ Adobe Acrobat DC(PDF阅

  • 4
    点赞
  • 35
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
CovNeXt论文中的图主要包括两部分:Covolutional NeXt模块和CovNeXt网络结构。 Covolutional NeXt模块的图可以使用如下的代码进行绘制: ``` input_tensor = Input(shape=input_shape) x = input_tensor for i in range(nb_repeat): x = CovNeXtBlock(filters, kernel_size, cardinality, bottleneck_width, strides)(x) model = Model(inputs=input_tensor, outputs=x) ``` 其中,input_shape表示输入张量的形状,nb_repeat表示Covolutional NeXt模块需要重复的次数,filters表示卷积核的数量,kernel_size表示卷积核的大小,cardinality表示分组数量,bottleneck_width表示瓶颈层的宽度,strides表示卷积的步长。 CovNeXt网络结构的图可以使用如下的代码进行绘制: ``` input_tensor = Input(shape=input_shape) x = Conv2D(32, (3, 3), strides=(2, 2), padding='same')(input_tensor) x = BatchNormalization()(x) x = Activation('relu')(x) x = Conv2D(64, (3, 3), padding='same')(x) x = BatchNormalization()(x) x = Activation('relu')(x) x = MaxPooling2D((3, 3), strides=(2, 2), padding='same')(x) for i in range(len(filters)): x = CovNeXtBlock(filters[i], kernel_size[i], cardinality[i], bottleneck_width[i], strides[i])(x) x = GlobalAveragePooling2D()(x) x = Dense(nb_classes, activation='softmax')(x) model = Model(inputs=input_tensor, outputs=x) ``` 其中,input_shape表示输入张量的形状,filters、kernel_size、cardinality、bottleneck_width和strides分别表示Covolutional NeXt模块的参数,nb_classes表示分类数量。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值