Pytorch D2L Subplots方法对画图、图片处理

落日映苍穹つ 2024-02-17 08:43 14阅读 0赞

## **问题代码** ##

def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5): #@save
    """绘制图像列表"""
    figsize = (num_cols * scale, num_rows * scale)
    _, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)
    axes = axes.flatten()
    for i, (ax, img) in enumerate(zip(axes, imgs)):
    if torch.is_tensor(img):
    # 图片张量
    ax.imshow(img.numpy())
    else:
    # PIL图片
    ax.imshow(img)
    ax.axes.get_xaxis().set_visible(False)
    ax.axes.get_yaxis().set_visible(False)
    if titles:
    ax.set_title(titles[i])
    return axes

#### d2l.plt.subplots返回值 ####

plt.subplots是matplotlib库中的一个函数，用于创建一个新的Figure对象，并在其中创建一个或多个子图（subplot）。  
它的基本用法是：

fig, ax = plt.subplots(nrows=1, ncols=1, \*\*kwargs)  
其中，`nrows`和`ncols`分别指定了子图的行数和列数。如果只想创建一个子图，可以省略其中一个参数。

**返回值`fig`是Figure对象**，`ax`则是一个或多个子图的Axes对象（如果只创建了一个子图，则返回一个单独的Axes对象；如果创建了多个子图，则返回一个Axes对象列表）。

`kwargs`是可选的关键字参数，用于设置Figure和子图的属性。例如，可以使用`figsize`参数设置Figure的大小，使用`sharex`和`sharey`参数来共享子图的x轴和y轴。

#### axes = d2l.plt.subplots(num\_rows, num\_cols, figsize=figsize） ####

解释：

d2l.plt.subplots创建了一个包含多个子图的网格（grid）；

num\_rows和num\_cols分别指定了网格中子图的行数和列数；  
figsize指定了整个图像的尺寸，即包含所有子图的画布大小。  
**返回值axes是一个由网格的子图对象组成的NumPy数组。  
我们可以使用它来访问、控制和绘制每个子图。**

举例说明：

`axes`是一个**由子图对象组成的NumPy数组**，它可以用来访问、控制和绘制每个子图。具体来说，`axes`是一个大小为`(num_rows, num_cols)`的NumPy数组，其中`axes[i, j]`表示第 i + 1 i+1 i+1行和第 j + 1 j+1 j+1列的子图对象。

例如，如果我们使用以下代码创建一个包含 2 2 2行 3 3 3列子图的网格：

import matplotlib.pyplot as plt
    
    import d2l
    
    
    
    figsize = (6, 4)
    
    num_rows, num_cols = 2, 3
    
    axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)
    
    那么`axes`将是一个大小为$(2, 3)$的NumPy数组，可以通过索引来访问每个子图对象。例如，我们可以在第$1$行第$2$列的子图中绘制一条直线：
    
    axes[0, 1].plot([0, 1], [0, 1])

或者我们可以在所有子图中添加一个标题：

for i in range(num_rows):
    
    for j in range(num_cols):
    
    axes[i, j].set_title(f'Subplot ({i+1}, {j+1})')

[原链接][Link 1]

#### subplot()、subplots() ####

subplot()、subplots()在实际过程中，先创建了一个figure画窗，然后通过调用add\_subplot()来向画窗中各个分块添加坐标区，其差别在于是**分次添加**(subplot())还是**一次性添加**(subplots())

![在这里插入图片描述][038627d506604119ae7e1aba0ae90e9e.png]  
3.plt.subplots()  
语法格式：

matplotlib.pyplot.subplots(nrows=1, ncols=1, \*, sharex=False,  
sharey=False, squeeze=True,subplot\_kw=None, gridspec\_kw=None, \*\*fig\_kw)  
\-nrows：默认为 1，设置图表的行数。  
\-ncols：默认为 1，设置图表的列数。  
\-sharex、sharey：设置 x、y 轴是否共享属性，默认为 false，可设置为 ‘none’、‘all’、‘row’ 或 ‘col’。 False 或 none 每个子图的 x 轴或 y 轴都是独立的，True 或 ‘all’：所有子图共享 x 轴或 y 轴，‘row’ 设置每个子图行共享一个 x 轴或 y 轴，‘col’：设置每个子图列共享一个 x 轴或 y 轴。

import matplotlib.pyplot as plt
    import numpy as np
    
    # 创建一些测试数据 
    x = np.linspace(0,100, 4)
    y = np.sin(x**2)
    
    # 创建一个画像和子图 -- 图1
    fig, ax = plt.subplots()
    ax.plot(x, y)
    ax.set_title('Simple plot')
    
    # 创建两个子图 -- 图2
    #如图figure2，四个子图中上两幅图并无x轴（与下子图共享），因为已设置sharex=True
    #若改为sharey=True，可观察到四副子图中右两幅无y轴（即与左子图共享）
    f, ([ax1, ax2],[ax3,ax4]) = plt.subplots(2, 2, sharex=True)
    ax1.plot(x, y)
    ax1.set_title('Sharing x axis')
    ax2.scatter(x, y)
    ax3.scatter(x, y)
    ax4.scatter(x, y)
    
    # 创建四个子图 -- 图3
    #通过对subplot_kw传入参数，生成关于极坐标系的子图
    fig, axs = plt.subplots(2, 2, subplot_kw=dict(projection="polar"))
    axs[0, 0].plot(x, y)
    axs[1, 1].scatter(x, y)
    
    plt.show()

![在这里插入图片描述][6434656f6a2b4ede9b68ebfd9c102472.png]

[文章来源地址][Link 2]

#### python内置函数：zip()函数搭配enumerate函数使用，用在for循环中 ####

##### 简介enumerate() #####

enumerate()函数是Python的内置函数，对于一个可迭代的（iterable）/可遍历的对象（如列表、字符串），可以利用enumerate函数同时获取对象的索引和值。

x=np.arange(0,100,10)
    for i in enumerate(x):
        index = i[0]; xval = i[1]
        print(index,xval)

0 0
    1 10
    2 20
    3 30
    4 40
    5 50
    6 60
    7 70
    8 80
    9 90

##### 简介zip() #####

zip函数是Python的内置函数，它用于将可迭代的对象作为参数，**将对象中对应的元素打包成一个个元组**，然后返回由这些**元组组成的对象**（即对多个序列进行并行迭代）。如果各个迭代器元素个数不一致，zip()函数则在最短序列“用完”时就会停止。

sz = np.arange(1,100,10)
    sx = np.arange(1,10,1)
    for index, (szi, sxi) in enumerate(zip(sz, sx)):
        print(index,szi,sxi)

0 1 1
    1 11 2
    2 21 3
    3 31 4
    4 41 5
    5 51 6
    6 61 7
    7 71 8
    8 81 9

#### transforms.Compose(trans) ####

Compose()类会将transforms列表里面的transform操作进行遍历。实现的代码很简单：

## 这里对源码进行了部分截取。
    def __call__(self, img):
    	for t in self.transforms:	
    		img = t(img)
        return img

pytorch**通过深度学习进行预处理图片**，离不开transforms.Compose()，torchvision.datasets.ImageFolder()，torch.utils.data.DataLoader()的用法。

[源自于文章][Link 3]

##### 1.Transform.Compose()详解 #####

导入相应的库

import torch
    import torchvision
    import matplotlib.pyplot as plt
    from torch.utils import data
    from torchvision import datasets,transforms
    from PIL import Image
    %matplotlib inline

![在这里插入图片描述][82288698ba0549a2876c1bd26bbbd6b9.png]

class torchvision.transforms.Compose(transforms):
     # Composes several transforms together.
     # Parameters: transforms (list of Transform objects) – list of transforms to compose.
     
    Example # 可以看出Compose里面的参数实际上就是个列表，而这个列表里面的元素就是你想要执行的transform操作。
    >>> transforms.Compose([
    >>>     transforms.CenterCrop(10),
    >>>     transforms.ToTensor(),])

展示原始图片

pic = "./train/Chihuahua/n02085620_10074.jpg"
    
    img = plt.imread(pic)
    plt.imshow(img)

定义图片预处理的对象。

traintransform = transforms.Compose([transforms.RandomRotation(20),           # 随机旋转20°
                                         transforms.ColorJitter(brightness=0.1), #随机改变图像的亮度对比度和饱和度
                                         transforms.Resize([150,150]),          # 转换为需要的尺寸
                                         transforms.ToTensor(),                #convert a PIL image to tensor (H*W*C)
                                        ])

img1 = Image.fromarray(img)   #将numpy对象的img转换为PIL格式
    img2 = traintransform(img1)# 图像预处理tensor
    img3 = transforms.ToPILImage()(img2)#转换为PIL进行展示
    plt.imshow(img3)

展示处理之后的图片，可以看出，图片旋转了20°，并且大小转换为（150，150）

附上——transforms中的函数如何使用？

# Resize：把给定的图片resize到given size
    # Normalize：Normalized an tensor image with mean and standard deviation
    # ToTensor：convert a PIL image to tensor (H*W*C) in range [0,255] to a torch.Tensor(C*H*W) in the range [0.0,1.0]
    # ToPILImage: convert a tensor to PIL image
    # Scale：目前已经不用了，推荐用Resize
    # CenterCrop：在图片的中间区域进行裁剪
    # RandomCrop：在一个随机的位置进行裁剪
    # RandomHorizontalFlip：以0.5的概率水平翻转给定的PIL图像
    # RandomVerticalFlip：以0.5的概率竖直翻转给定的PIL图像
    # RandomResizedCrop：将PIL图像裁剪成任意大小和纵横比
    # Grayscale：将图像转换为灰度图像
    # RandomGrayscale：将图像以一定的概率转换为灰度图像
    # FiceCrop：把图像裁剪为四个角和一个中心
    # TenCrop
    # Pad：填充
    # ColorJitter：随机改变图像的亮度对比度和饱和度。

[Link 1]: https://zhuanlan.zhihu.com/p/623457412?utm_id=0
[038627d506604119ae7e1aba0ae90e9e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/06/86d49ac118534cf7a08a46749b012aa2.png
[6434656f6a2b4ede9b68ebfd9c102472.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/06/bd298f6f77644044a839f859185dba90.png
[Link 2]: https://www.yii666.com/blog/340197.html
[Link 3]: https://blog.csdn.net/qq_43018832/article/details/127857419
[82288698ba0549a2876c1bd26bbbd6b9.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/06/9f5c7ccb08574157a7c9c323ea1c6fd7.png