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[&