python动态图形_【python】matplotlib动态显示详解

1.matplotlib动态绘图

python在绘图的时候，需要开启 interactive mode。核心代码如下：

plt.ion(); #开启interactive mode 成功的关键函数

fig = plt.figure(1);

for i in range(100):

filepath="E:/Model/weights-improvement-" + str(i + 1) + ".hdf5";

model.load_weights(filepath);

#测试数据

x_new = np.linspace(low, up, 1000);

y_new = getfit(model,x_new);

# 显示数据

plt.clf();

plt.plot(x,y);

plt.scatter(x_sample, y_sample);

plt.plot(x_new,y_new);

ffpath = "E:/imgs/" + str(i) + ".jpg";

plt.savefig(ffpath);

plt.pause(0.01) # 暂停0.01秒

ani = animation.FuncAnimation(plt.figure(2), update,range(100),init_func=init, interval=500);

ani.save("E:/test.gif",writer='pillow');

plt.ioff() # 关闭交互模式

2.实例

已知下面采样自Sin函数的数据：

x

y

1

0.093

-0.81

2

0.58

-0.45

3

1.04

-0.007

4

1.55

0.48

5

2.15

0.89

6

2.62

0.997

7

2.71

0.995

8

2.73

0.993

9

3.03

0.916

10

3.14

0.86

11

3.58

0.57

12

3.66

0.504

13

3.81

0.369

14

3.83

0.35

15

4.39

-0.199

16

4.44

-0.248

17

4.6

-0.399

18

5.39

-0.932

19

5.54

-0.975

20

5.76

-0.999

通过一个简单的三层神经网络训练一个Sin函数的拟合器，并可视化模型训练过程的拟合曲线。

2.1 网络训练实现

主要做的事情是定义一个三层的神经网络，输入层节点数为1，隐藏层节点数为10，输出层节点数为1。

import math;

import random;

from matplotlib import pyplot as plt

from keras.models import Sequential

from keras.layers.core import Dense

from keras.optimizers import Adam

import numpy as np

from keras.callbacks import ModelCheckpoint

import os

#采样函数

def sample(low, up, num):

data = [];

for i in range(num):

#采样

tmp = random.uniform(low, up);

data.append(tmp);

data.sort();

return data;

#sin函数

def func(x):

y = [];

for i in range(len(x)):

tmp = math.sin(x[i] - math.pi/3);

y.append(tmp);

return y;

#获取模型拟合结果

def getfit(model,x):

y = [];

for i in range(len(x)):

tmp = model.predict([x[i]], 10);

y.append(tmp[0][0]);

return y;

#删除同一目录下的所有文件

def del_file(path):

ls = os.listdir(path)

for i in ls:

c_path = os.path.join(path, i)

if os.path.isdir(c_path):

del_file(c_path)

else:

os.remove(c_path)

if __name__ == '__main__':

path = "E:/Model/";

del_file(path);

low = 0;

up = 2 * math.pi;

x = np.linspace(low, up, 1000);

y = func(x);

# 数据采样

# x_sample = sample(low,up,20);

x_sample = [0.09326442022999694, 0.5812590520508311, 1.040490143783586, 1.5504427746047338, 2.1589557183817036, 2.6235357787018407, 2.712578091093361, 2.7379109336528167, 3.0339662651841186, 3.147676812083248, 3.58596337171837, 3.6621496731124314, 3.81130899864203, 3.833092859928872, 4.396611340802901, 4.4481080339256875, 4.609657879057151, 5.399731063412583, 5.54299720786794, 5.764084730699906];

y_sample = func(x_sample);

# callback

filepath="E:/Model/weights-improvement-{epoch:00d}.hdf5";

checkpoint= ModelCheckpoint(filepath, verbose=1, save_best_only=False, mode='max');

callbacks_list= [checkpoint];

# 建立顺序神经网络层次模型

model = Sequential();

model.add(Dense(10, input_dim=1, init='uniform', activation='relu'));

model.add(Dense(1, init='uniform', activation='tanh'));

adam = Adam(lr = 0.05);

model.compile(loss='mean_squared_error', optimizer=adam, metrics=['accuracy']);

model.fit(x_sample, y_sample, nb_epoch=1000, batch_size=20,callbacks=callbacks_list);

#测试数据

x_new = np.linspace(low, up, 1000);

y_new = getfit(model,x_new);

# 数据可视化

plt.plot(x,y);

plt.scatter(x_sample, y_sample);

plt.plot(x_new,y_new);

plt.show();

2.2 模型保存

在神经网络训练的过程中，有一个非常重要的操作，就是将训练过程中模型的参数保存到本地，这是后面拟合过程可视化的基础。训练过程中保存的模型文件，如下图所示。

模型保存的关键在于fit函数中callback函数的设置，注意到，下面的代码，每次迭代，算法都会执行callbacks函数指定的函数列表中的方法。这里，我们的回调函数设置为ModelCheckpoint，其参数如下表所示：

参数

含义

filename

字符串，保存模型的路径

verbose

信息展示模式，0或1

(Epoch 00001: saving model to ...)

mode

‘auto'，‘min'，‘max'

monitor

需要监视的值

save_best_only

当设置为True时，监测值有改进时才会保存当前的模型。在save_best_only=True时决定性能最佳模型的评判准则，例如，当监测值为val_acc时，模式应为max，当监测值为val_loss时，模式应为min。在auto模式下，评价准则由被监测值的名字自动推断

save_weights_only

若设置为True，则只保存模型权重，否则将保存整个模型（包括模型结构，配置信息等）

period

CheckPoint之间的间隔的epoch数

# callback

filepath="E:/Model/weights-improvement-{epoch:00d}.hdf5";

checkpoint= ModelCheckpoint(filepath, verbose=1, save_best_only=False, mode='max');

callbacks_list= [checkpoint];

# 建立顺序神经网络层次模型

model = Sequential();

model.add(Dense(10, input_dim=1, init='uniform', activation='relu'));

model.add(Dense(1, init='uniform', activation='tanh'));

adam = Adam(lr = 0.05);

model.compile(loss='mean_squared_error', optimizer=adam, metrics=['accuracy']);

model.fit(x_sample, y_sample, nb_epoch=1000, batch_size=20,callbacks=callbacks_list);

2.3 拟合过程可视化实现

利用上述保存的模型，我们就可以通过matplotlib实时地显示拟合过程。

import math;

import random;

from matplotlib import pyplot as plt

from keras.models import Sequential

from keras.layers.core import Dense

import numpy as np

import matplotlib.animation as animation

from PIL import Image

#定义kdd99数据预处理函数

def sample(low, up, num):

data = [];

for i in range(num):

#采样

tmp = random.uniform(low, up);

data.append(tmp);

data.sort();

return data;

def func(x):

y = [];

for i in range(len(x)):

tmp = math.sin(x[i] - math.pi/3);

y.append(tmp);

return y;

def getfit(model,x):

y = [];

for i in range(len(x)):

tmp = model.predict([x[i]], 10);

y.append(tmp[0][0]);

return y;

def init():

fpath = "E:/imgs/0.jpg";

img = Image.open(fpath);

plt.axis('off') # 关掉坐标轴为 off

return plt.imshow(img);

def update(i):

fpath = "E:/imgs/" + str(i) + ".jpg";

img = Image.open(fpath);

plt.axis('off') # 关掉坐标轴为 off

return plt.imshow(img);

if __name__ == '__main__':

low = 0;

up = 2 * math.pi;

x = np.linspace(low, up, 1000);

y = func(x);

# 数据采样

# x_sample = sample(low,up,20);

x_sample = [0.09326442022999694, 0.5812590520508311, 1.040490143783586, 1.5504427746047338, 2.1589557183817036, 2.6235357787018407, 2.712578091093361, 2.7379109336528167, 3.0339662651841186, 3.147676812083248, 3.58596337171837, 3.6621496731124314, 3.81130899864203, 3.833092859928872, 4.396611340802901, 4.4481080339256875, 4.609657879057151, 5.399731063412583, 5.54299720786794, 5.764084730699906];

y_sample = func(x_sample);

# 建立顺序神经网络层次模型

model = Sequential();

model.add(Dense(10, input_dim=1, init='uniform', activation='relu'));

model.add(Dense(1, init='uniform', activation='tanh'));

plt.ion(); #开启interactive mode 成功的关键函数

fig = plt.figure(1);

for i in range(100):

filepath="E:/Model/weights-improvement-" + str(i + 1) + ".hdf5";

model.load_weights(filepath);

#测试数据

x_new = np.linspace(low, up, 1000);

y_new = getfit(model,x_new);

# 显示数据

plt.clf();

plt.plot(x,y);

plt.scatter(x_sample, y_sample);

plt.plot(x_new,y_new);

ffpath = "E:/imgs/" + str(i) + ".jpg";

plt.savefig(ffpath);

plt.pause(0.01) # 暂停0.01秒

ani = animation.FuncAnimation(plt.figure(2), update,range(100),init_func=init, interval=500);

ani.save("E:/test.gif",writer='pillow');

plt.ioff()

以上所述是小编给大家介绍的matplotlib动态显示详解整合，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对本网站网站的支持！