成长路上绊脚石

记录我自己深度学习路上的障碍

因为毕业论文第一次接触到深度学习，在这里记录下自己学习的历程以及一些感悟。

一、%matplotlib和plt.rcParams

首先放出来代码

import matplotlib.pyplot as plt

%matplotlib inline
plt.rcParams['figure.figsize'] = (5.0, 4.0) 
plt.rcParams['image.interpolation'] = 'nearest'
plt.rcParams['image.cmap'] = 'gray'

1、%matplotlib具体作用是当你调用matplotlib.pyplot的绘图函数**plot()**进行绘图的时候，或者生成一个figure画布的时候，可以直接在你的python console里面生成图像。
具体效果可以参考这位博主的示范 —>示范效果

2、调用plt.rcParams.keys()可获取rcParams的全部参数以及默认值。

显示结果：

'figure.dpi': 100.0                 	 每英寸点数
'figure.figsize': [6.0, 4.0] 			 生成的图表最大尺寸
'font.size': 10.0  						 字体大小
'hist.bins': 10  						 直方图分箱个数
'lines.linewidth': 1.5                   线宽
'lines.marker': 'None'               	 标记样式
'savefig.format': 'png'  				 保存图片的格式
'savefig.jpeg_quality': 95   			 图片质量
'text.color': 'black'  					 文本颜色
'timezone': 'UTC'  						 时区格式

plt.rcParams[‘figure.figsize’] = (5.0, 4.0) ———— # 显示图像的最大范围
plt.rcParams[‘image.cmap’] = ‘gray’ ——————# 灰度空间
plt.rcParams[‘image.interpolation’] = ‘nearest’ —# 差值方式

这里特别说一下这个：

plt.rcParams[‘image.interpolation’] = ‘nearest’ ，设置 interpolation style 为 nearst。 Interpolation/resampling即插值，是一种图像处理方法，它可以为数码图像增加或减少象素的数目。某些数码相机运用插值的方法创造出象素比传感器实际能产生象素多的图像，或创造数码变焦产生的图像。实际上，几乎所有的图像处理软件支持一种或以上插值方法。图像放大后锯齿现象的强弱直接反映了图像处理器插值运算的成熟程度。引用这位老哥的解释。

同时，这里是interpolation值不同的比较

二、np.pad()填充

作用：有一张RGB的图像，我们要在这个图像的周围加上填充元素，使得这个图像不会再卷积操作后导致边缘信息丢失和图像尺寸的减小。

np.random.seed(1)
x = np.random.randn(4,3,3,2)
X_paded = np.pad(X,(
                    (0,0),       #样本数，不填充
                    (pad,pad),   #图像高度,你可以视为上面填充x个，下面填充y个(x,y)
                    (pad,pad),   #图像宽度,你可以视为左边填充x个，右边填充y个(x,y)
                    (0,0)),      #通道数，不填充
                    'constant', constant_values=0)      #连续一样的值填充

（4，3，3，2）意思是：传入了4个样本，这每一个样本的构造是：3维的RGB图像中：每一维R,G,B中是有3*2的矩阵构造的，也就是3x2个像素点。

具体效果看这位博主——>效果