热力图可视化 plt cmap

最新推荐文章于 2025-03-26 17:44:05 发布
最新推荐文章于 2025-03-26 17:44:05 发布
阅读量6.9k 收藏 19
点赞数 6
分类专栏： python 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_31375855/article/details/120316143
版权
本文介绍了如何使用Matplotlib库进行热力图可视化，重点讲解了不同colormap的选择，如'magma'和'jet'，并展示了它们在数据可视化中的效果。读者将学会如何调整颜色映射以增强数据故事的呈现。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

热力图可视化

import matplotlib.pyplot as plt
plt.imsave(savename, data, vmin=0, vmax=data_max, cmap='turbo')

cmap=turbo
cmap 的其它选择（如 magma，jet）：
在这里插入图片描述

在这里插入图片描述

其中cmap="jet"结果类似如下：
在这里插入图片描述

100天精通Python（可视化篇）——第86天：matplotlib绘制不同种类炫酷热力图参数说明+代码实战
努力让自己发光，对的人才能迎着光而来
05-08 1万+
一、热力图介绍 1. 介绍 2. 参数说明 二、绘制热力图 1. 普通热力图 2. 添加坐标轴和标题 3. 添加热力标尺 4. 添加色块数值 5. 修改热力图颜色 6. 突出特殊数据 三、应用场景 1. 适用场景 2. 不适用场景
深度学习项目九：YOLO v5结合热力图并可视化以及网络各层的特征图
m0_60890175的博客
03-19 4648
YOLO v5结合热力图并可视化以及网络各层的特征图
cmap参数 plt_plt.imshow的参数有哪些？
weixin_39667626的博客
12-19 3449
plt.imshow(X,cmap=None,norm=None,aspect=None,interpolation=None,alpha=None,vmin=None,vmax=None,origin=None,extent=None,shape=None,filternorm=1,filterrad=4.0,imlim=None,resample=None,url=None,*,data=No...
数据可视化之热力图
weixin_34390996的博客
03-01 2839
      最近看了一下百度的热力图，通过百度地图，确实是一个实时大数据渲染的一个形象表达形式，正好借这个机会学习一下，刚买的机械键盘，发现有两个好处：每天不写点代码（或调试），感觉对不起这价钱啊，估计我之前买的所有键盘+鼠标花费总和都不如这个键盘贵；其次就是控制自己不再吃零食了，怕掉进键盘里心疼啊。       好了，热力图还是相对比较容易，我们主要讨论如下3+1点吧，主要是前三部分，后面只是...
用 Python 绘制热力图（Heatmap）详解：从数据到可视化全流程（第三天）
最新发布
2401_84301183的博客
03-26 1809
通过调整参数和组合其他图表类型（如折线图叠加），可以创造出更丰富的可视化效果。建议读者根据实际数据特点灵活运用。热力图是数据可视化中的 "信息浓缩器"，通过颜色编码实现多维度数据的高效传达。
热力图可视化工具
AI浩
01-11 3682
引言 一直以来，深度神经网络的可解释性都被大家诟病，训练一个神经网络被调侃为“炼丹”。所得的模型也像一个“黑盒”一样，给它一个输入，然后得到结果，却不知道模型是如何得出结论的，究竟学习到了什么知识。如果能将其训练或者推理过程可视化，那么可以对其更加深入的理解，目前深度神经网络可视化可以分为： 可视化卷积核； 可视化特征图； 可视化激活热力图，也就是不同位置像素点对得出结果的影响程度 图 1 神经网络可视化汇总 其中，可视化卷积核 (a) 的方法最早出现，早在 2012 年的 AlexNet
Detectron2热力图可视化
m0_50948137的博客
03-01 875
Detectron2热力图可视化
可视化 | 【echarts】中国地图热力图
知识库搭建ing
01-21 4902
【echarts】中国地图热力图。
[论文必备]梯度加权的类激活热力图（Grad-CAM）可视化以及踩坑经历分享
路人贾的博客
09-06 1万+
YOLOv5结合Grad-CAM热力图可视化。包含代码原理分块讲解，超级详细的步骤，小白避免踩坑！
数据可视化中热力图使用数据（请先看文章，自学使用）
02-14
在众多的数据可视化工具和技术中，热力图是一种非常常见且实用的表示方式，尤其适合展示矩阵数据间的关联性和密度。在这个教程中，我们将深入探讨如何使用Python和Excel进行热力图的创建。 首先，Python是数据科学...
Python Plt颜色配色一览（热力图）
12-20
在Python的可视化库matplotlib中，颜色配色是创建图表时非常关键的一部分，它能极大地影响数据的呈现效果和观感。在Python 3.7环境下，matplotlib提供了多种颜色调色板，适用于各种类型的图形，包括热力图。下面将...
可视化 | 教你用Python实现热力图（一）
热门推荐
m0_60066036的博客
04-01 2万+
在可视化中，热力图可以使用颜色深浅或者指定颜色来直观的表示目前已有数据情况。热力图的表现形式不只有上面的地图热力图，在Pearson相关性系数的时候也同样会用到热力图。
一份热力图可视化代码使用教程
CV技术指南（微信公众号）
03-30 8176
前言特征图可视化与热力图可视化是论文中比较常用的两种可视化方法。上一篇文章《一份可视化特征图的代码》介绍了特征图可视化的代码，本篇将对如何进行热力图可视化做一个使用说明。 本文介绍了CAM、GradCAM的原理和缺陷，介绍了如何使用GradCAM算法实现热力图可视化，介绍了目标检测、语义分割、transformer模型等其它类型任务的热力图可视化。 本文来自公众号CV技术指南的技术总结系列 欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。 ..
plt.scatter 中cmap参数详解
凝涵的博客
10-06 2万+
1.首先，cmap参数和c参数配合使用的。参数c可以是一个序列，如：plt.scatter(a,b,c=['b','r','b','r','b'],s=80) 此时c的序列是一个颜色序列，除了上述的简洁写法，还可以使用RGB或RBGA：plt.scatter(a,b,c=['#f00','#0f0','#f00','#0f0','#f00'],s=80) 上面的例子是将参数c设置为颜色序列，但是一般我们用来做分类的数据Y是整数0，1，2，.......，等等。此时就需要配合cmap参数来使用了。
cmap参数 plt_四大步“上手”超参数调优教程，就等你出马了 | 附完整代码
weixin_31289551的博客
12-30 1839
作者 | Matthew Stewart译者 | Monanfei责编 | Jane出品 | AI科技大本营(ID: rgznai100)【导读】在本文中，我们将为大家介绍如何对神经网络的超参数进行优化调整，以便在 Beale 函数上获得更高性能，Beale 函数是评价优化有效性的众多测试函数之一。Beale 函数当应用数学家开发一种新的优化算法时，常用的做法是在测试函数上测试该算法，主要的评价指...
python制作可视化图表-如何攻破可视化图表？附完整 Python 源代码
weixin_39756235的博客
11-11 908
如何攻破可视化图表？附完整 Python 源代码翻译 |Lemon责编 | 郭 芮本文总结了 Matplotlib 以及 Seaborn 用的最多的50个图形。这些图表列表允许开发者使用 Python 的 Matplotlib 和 seaborn 库选择要显示的可视化对象。写在前面这些图表根据可视化目标的7个不同情景进行分组。例如，如果要想象两个变量之间的关系，请查看"关联&qu...
深度学习热力图可视化的方式
weixin_37707670的博客
06-11 1552
热力图可视化
plt python 自己制定cmap_python用plt画图时,cmp设置方法
weixin_42138139的博客
02-08 6347
在python，有时候是需要画图的，比如把一个矩阵用图像的形式显示，之前用的好好的，每次用plt.imshow()，都是彩色图，不知为啥，突然全是黑白图了，于是需要设置cmap的值，如下：plt.imshow(confusion_matrix_percent,cmap='gray')plt.colorbar()plt.show()在上面的代码中，设置cmap=‘gray'，表示绘制灰度图，若需要绘...
plt.contourf绘制等高线图cmap参数设置
qq_41605934的博客
04-30 1万+
cmap支持的参数如下： ‘Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r, Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r, Paired, Paired_r, Pastel1, Pastel1_r
高频低频热力图可视化
01-21
### 高频低频热力图可视化方法及工具 #### 方法概述 为了实现高频和低频特征的热力图可视化，主要依赖于卷积神经网络(CNN)中的不同层次权重。CNN的第一层通常能够捕捉到图像中的边缘和其他简单的模式，这对应着高频特征；而更深的层则倾向于捕获更为复杂的结构，即低频特征[^5]。 #### 工具选择 对于这类任务，常用的库包括TensorFlow, PyTorch以及专门用于可视化的Matplotlib和Seaborn。特别是PyTorch提供了方便的方法来提取并操作模型各层的数据，非常适合用来创建这样的视觉化效果。 #### 实现步骤详解 下面给出一段Python代码示例，展示了如何利用PyTorch框架加载预训练好的AlexNet模型，并获取其前两层(CONV1 和 CONV2) 的滤波器权重来进行可视化： ```python import torch from torchvision import models import matplotlib.pyplot as plt import numpy as np def plot_filters(layer_weights, title="Filter Weights"): """绘制指定层的滤波器权重""" fig = plt.figure(figsize=(8, 8)) n_filters = layer_weights.shape[0] for i in range(n_filters): ax = fig.add_subplot(8, 8, i + 1) # 只取单通道进行展示简化显示 img = layer_weights[i][0].cpu().numpy() ax.imshow(img, cmap='gray') ax.axis('off') plt.suptitle(title) plt.show() # 加载预训练alexnet模型 model = models.alexnet(pretrained=True) # 获取第一层convolutional layers (CONV1 & CONV2) 权重 first_conv_layer = model.features[0].weight.data.clone() # CONV1 second_conv_layer = model.features[3].weight.data.clone() # CONV2 plot_filters(first_conv_layer, "First Conv Layer Filters") # 绘制CONV1滤波器 plot_filters(second_conv_layer, "Second Conv Layer Filters") # 绘制CONV2滤波器 ``` 这段脚本首先定义了一个辅助函数`plot_filters()`用于绘制裁剪后的滤波器权重矩阵。接着通过调用torchvision.models模块下的alexnet函数获得一个已经预先训练过的AlexNet实例。最后分别访问该模型feature extractor部分的第一个(`features[0]`)和第四个(`features[3]`)子模块对应的Conv2d对象，从中读取出各自的权重参数作为输入传递给之前定义好的绘图函数完成最终的效果呈现。 #### 结果解读 当运行上述程序后可以看到两张图片窗口弹出，左侧代表来自第一个卷积层（CONV1）的滤波器响应，右侧则是第二层的结果。由于AlexNet设计之初就考虑到了双路径处理机制，因此在同一张图表内可能会观察到两种截然不同的风格倾向：一种偏向黑白对比强烈的线条状图案（高频），另一种则是色彩柔和过渡较为平缓的大面积区域划分（低频）。这种差异正好反映了早期阶段与后期抽象表征之间的区别所在。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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