不深究t-SNE的原理,直接调包“from sklearn.manifold import TSNE”完成可视化深度神经网络模型的特征。我这里只分两类上色,可以根据需要修改get_color函数,改color.append(colors[labels[i]])这样。
import numpy as np
import matplotlib
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.manifold import TSNE
import joblib
import random
matplotlib.use('Agg')
#np.set_printoptions(threshold=np.inf)
num1, num_sum = 150, 350#根据样本的实际情况自己改数值,Y的维度也就是len(标签)=num_sum
num2 = num_sum - num1
def get_color(labels):
colors=["#C05757","#3939EF"]#,"g","y","o"#根据情况自己改配色
color=[]
for i in range(num1):
color.append(colors[0])
for i in range(num2, num_sum):
color.append(colors[1])
return color
#class_out是需要t-SNE可视化的特征,可以来自模型任意一层,我这里用的是最后一层
#feats = np.array(class_out)#t-SNE可视化的特征输入必须是np.array格式
#print(feats.shape)
#joblib.dump(feats, 'feat.pkl')#保存特征
X = joblib.load('feat.pkl')#读取预保存的特征信息
Y = [i for i in range(num_sum)]
print(type(X))#必须是np.array
X_embedded = TSNE(n_components=2,init="pca").fit_transform(X)
print(X_embedded.shape)
colors=get_color(Y)#配置点的颜色
x=X_embedded[:,0]#横坐标
y=X_embedded[:,1]#纵坐标
plt.scatter(x,y,c=colors, linewidths=0.5, marker='o',edgecolors='k')#绘制散点图。
#plt.show()
plt.savefig("tsne.jpg")#保存图像