【Pytorch学习笔记】3.温习matplotlib——实用的 matplotlib.pyplot 预览图片类数据集的方法（以FashionMNIST为例）

我们在使用图像分类数据集时，在载入数据集后，一定会先取一批数据预览一下。
最常用的方法之一是matplotlib库显示图片。
这里自己记录一下图片类数据集常用的图片预览方法，顺便复习matplotlib的绘图原理。

matplotlib绘图原理和步骤

先温习一下matplotlib的绘图原理

matplotlib.pyplot绘图原理

简述一下，在使用matplotlib.pyplot模块绘图时，会先创建三大核心元素：
画布（figure）→坐标系（axes）→坐标轴（axis），如图：

因此底层步骤为：
创建画布figure → 立画图区域axes（又叫坐标系）→ 区域内设定坐标轴
→ 使用绘图语句绘图（如plot()函数）→ 使用show()展现出来

创建画布常用 plt.figure() 函数；
建立画图区域常用 fig.subplot() 函数；
坐标轴使用默认，然后再 axes上使用绘图函数绘图。

例子：

import matplotlib.pyplot as plt

fig = plt.figure()
ax = fig.add_subplot(1,1,1)
x = [1,2,3]
y = [1,2,3]
ax.plot(x, y)
plt.show()
# 输出：

快速绘图

但是我们使用pyplot画图，如果直接使用绘图函数，matplotlib自己会创建一张默认的画布，再开辟一块默认的坐标轴区域，然后给我们绘制上去。
所以在jupyter notebook中我们可以直接使用plt.plot快速绘图：

imshow()快速显示Fashion-MNIST数据集图片

我们使用FashionMNIST数据集，Fashion-MNIST是一个10分类数据集，包括了衣物、包包、运动鞋等时尚妆扮的类别。

使用imshow()方法直接传入一个符合要求的Tensor，取一张图片快速显示：
（何为符合要求的Tensor见下面注释）

import torchvision
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
# 使用torchvision的datasets类获取FashionMNIST数据集，并新建一个训练集
# 使用了transform = transforms.ToTensor()转换器，使所有数据转换为Tensor。
# 转换成的Tensor 数据类型为torch.float32，位于[0.0, 1.0]
mnist_train = torchvision.datasets.FashionMNIST(
    root='~/Datasets/FashionMNIST', train=True, download=True, 
    transform=transforms.ToTensor())
# feature为图像信息，label为标签
feature, label = mnist_train[0]
print(feature.shape, label)
plt.imshow(feature.view((28,28)))
# 图片是单通道1*28*28像素图片，须转成28*28像素灰度图片来显示
# 显示： （9号类别即为“ankle boot（短靴）”）

pyplot.subplots()批量显示FashionMNIST图片

在一开始的例子里使用过subplot()方法：ax = fig.add_subplot(1,1,1)
其传入figure中axes的位置，返回一个axes对象。

当需要同时展示多张图片的时候，我们可以使用pyplot.subplots()方法，传入图片陈列的行数列数等信息，返回一个figure对象和一个axes对象。
因此代码里常用：fig, ax = plt.subplots()，然后在各个ax中配置参数并绘图。

subplots() 语法格式：

官方文档

matplotlib.pyplot.subplots(nrows=1, ncols=1, sharex=False, sharey=False, squeeze=True, subplot_kw=None, gridspec_kw=None, **fig_kw)

常用参数：

nrows：图表的行数，默认为 1
ncols：图表的列数，默认为 1
sharex、sharey：设置各个区域 x、y 轴是否使用相同的刻度
**fig_kw：其他关键字参数传递给 pyplot.figure调用，比如设置figsize

按一行10个显示FashionMNIST数据集中的图片

例子：

import torchvision
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
# 新建一个训练集
mnist_train = torchvision.datasets.FashionMNIST(root='~/Datasets/FashionMNIST', train=True, download=True, transform=transforms.ToTensor())

def show_fashion_mnist(images, labels):
    # _表示忽略不适用的变量，返回的fig用不上
    _, axes = plt.subplots(nrows=1, ncols=len(images), figsize=(12,12))
    # 使用zip方法，在for循环中设置axes中的各个子区域的参数并绘图
    for ax, img, lbl in zip(axes, images, labels):
        ax.imshow(img.view((28, 28)).numpy())
        ax.set_title(lbl)
        ax.axes.get_xaxis().set_visible(False)
        ax.axes.get_yaxis().set_visible(False)
    plt.show()

X, y = [], []
for i in range(10):
    X.append(mnist_train[i][0])
    y.append(mnist_train[i][1])

show_fashion_mnist(X, y)
# 显示：