t-SNE聚类可视化

t-SNE（t-distributed stochastic neighbor embedding）是一种用于降维和可视化高维数据的算法，通常用于聚类分析。t-SNE能够将高维数据点映射到一个低维空间中（通常是2D或3D），并且能够保留数据点之间的局部关系，同时尽量降低全局误差。因此，t-SNE可用于数据可视化，以便观察聚类结果

只要将你要可视化的网络层数据丢进plot_tsne()中

def plot_tsne(features, labels,k):
    '''
    features:(N*m) N*m大小特征，其中N代表有N个数据，每个数据m维
    label:(N) 有N个标签
    '''
    import pandas as pd
    import seaborn as sns

    tsne = TSNE(n_components=2, init='pca', perplexity=3,  n_iter=300, random_state=42, learning_rate='auto', n_jobs=7)
    class_num = len(np.unique(labels))  # 要分类的种类个数  eg:[0, 1, 2, 3]这个就是为4 
    tsne_features = tsne.fit_transform(features)  
    print('tsne_features的shape:', tsne_features.shape)

    df = pd.DataFrame()
    df["y"] = labels
    df["comp-1"] = tsne_features[:, 0]
    df["comp-2"] = tsne_features[:, 1]
    #df["comp-3"] = tsne_features[:, 2]如果要复现3维再添加并使n_components=3

    sns.scatterplot(x="comp-1", y="comp-2", hue=df.y.tolist(),
                    palette=sns.color_palette("hls", class_num),
                    data=df).set(title="T-SNE projection")
    plt.show()
    #一定要在show后才储存，否则保存的是空白图
    plt.savefig('./你的文件名%d.png'%(k), dpi=120)

#data，labels是你自己的数据和标签，
#output是某一层的输出，数据格式为[N, C, H, W]，[C, H, W]或[C, W]
output = model（data）
for layer in output:
    k = k+1
    print(layer.shape)
    data = layer.view(batch-size, -1)
    data = data.detach().cpu().numpy()
    fig = plot_tsne(data, labels,k)