【100天精通Python】Day63：Python可视化_Matplotlib绘制子图，子图网格布局属性设置等示例+代码

news2024/10/7 20:24:49

 目录

1 基本子图绘制示例

2 子图网格布局

3 调整子图的尺寸

4 多行多列的子图布局

5 子图之间的共享轴

6 绘制多个子图类型

7 实战：

绘制一个大图，里面包含6个不同类别的子图，不均匀布局。

绘制子图（subplots）是在Matplotlib中创建多个子图的常见任务。通过子图，您可以将多个图形放置在同一图表中，以便比较不同的数据或可视化多个相关的图形。一般流程如下：

  1. 创建图形对象：首先，您需要创建一个图形对象，可以使用plt.figure()函数来完成。该图形对象代表整个图形窗口，您可以在其中放置多个子图。

  2. 添加子图：使用fig.add_subplot()函数来添加子图。这个函数接受三个参数，分别是行数、列数和子图的索引位置。例如，fig.add_subplot(2, 2, 1)表示将创建一个2x2的网格，并在第一个位置创建子图。

  3. 绘制图表：在每个子图中，您可以使用Matplotlib的绘图函数（如plot()、scatter()、bar()等）来绘制不同类型的图表。

  4. 子图属性设置：您可以设置每个子图的标题、坐标轴标签、背景颜色、图例等属性，以使其更具可读性和吸引力。

  5. 调整子图布局：Matplotlib允许您调整子图之间的间距，以便更好地组织和排列它们。可以使用plt.subplots_adjust()函数来完成这个任务。

  6. 显示图形：一旦您创建并设置了所有子图，使用plt.show()函数来显示整个图形。

1 基本子图绘制示例

首先，让我们看一个基本的子图绘制示例。使用plt.subplots()函数，您可以创建一个包含多个子图的图表，并将这些子图放置在一个网格中。以下是一个基本的示例：

import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 2 * np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 创建一个包含两个子图的图表
fig, axes = plt.subplots(nrows=1, ncols=2)

# 在第一个子图中绘制正弦函数
axes[0].plot(x, y1, label='Sine Function', color='blue')
axes[0].set_title('Sine Function')

# 在第二个子图中绘制余弦函数
axes[1].plot(x, y2, label='Cosine Function', color='red')
axes[1].set_title('Cosine Function')

# 显示图例
axes[0].legend()
axes[1].legend()

# 显示图形
plt.show()

运行：

        以上代码演示了如何使用Matplotlib创建一个包含两个子图的图表。这两个子图分别显示了正弦函数和余弦函数的曲线。

  1. 导入Matplotlib库和NumPy库。
  2. 创建示例数据，使用NumPy的linspace函数生成0到2π之间的100个点作为x轴数据，同时计算对应的正弦值和余弦值作为y轴数据。
  3. 使用plt.subplots函数创建一个图表和一个由子图对象组成的数组。其中nrows=1表示创建一个行数为1，列数为2的图表。
  4. 在第一个子图中绘制正弦函数曲线，使用plot函数，并指定标签(label)和颜色(color)。同时设置标题(set_title)为"Sine Function"。
  5. 在第二个子图中绘制余弦函数曲线，同样使用plot函数，并指定标签和颜色。设置标题为"Cosine Function"。
  6. 显示图例，使用legend函数，在每个子图中显示曲线的标签。
  7. 最后调用plt.show()来显示图形。

2 子图网格布局

        Matplotlib还允许您以更复杂的方式布局子图，以满足您的需求。您可以使用gridspec模块来实现更灵活的子图布局。以下是一个示例，演示如何使用gridspec创建子图网格：

import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
import numpy as np

# 创建示例数据
x = np.linspace(0, 2 * np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)

# 创建一个包含多个子图的图表，使用gridspec定义子图布局
fig = plt.figure(figsize=(10, 4))
gs = gridspec.GridSpec(1, 3)  # 1行3列的子图布局

# 第一个子图
ax1 = plt.subplot(gs[0, 0])
ax1.plot(x, y1, label='Sine Function', color='blue')
ax1.set_title('Sine Function')
ax1.legend()

# 第二个子图
ax2 = plt.subplot(gs[0, 1])
ax2.plot(x, y2, label='Cosine Function', color='red')
ax2.set_title('Cosine Function')
ax2.legend()

# 第三个子图
ax3 = plt.subplot(gs[0, 2])
ax3.plot(x, y3, label='Tangent Function', color='green')
ax3.set_title('Tangent Function')
ax3.legend()

# 调整子图之间的距离
plt.tight_layout()

# 显示图形
plt.show()

运行： 

        这个示例创建了一个包含三个子图的图表，使用gridspec模块定义了子图的布局。每个子图包含不同的三角函数，并具有自己的标题和图例。

  1. 导入Matplotlib库和NumPy库。
  2. 创建示例数据，使用NumPy的linspace函数生成0到2π之间的100个点作为x轴数据，同时计算对应的正弦、余弦和正切值作为y轴数据。
  3. 创建一个Figure对象，设置图表的大小为(10, 4)。
  4. 使用gridspec.GridSpec函数创建一个网格布局，指定1行3列的子图布局。
  5. 在第一个子图(ax1)中绘制正弦函数曲线，使用plot函数，并指定标签(label)和颜色(color)。同时设置标题(set_title)为"Sine Function"并显示图例(legend)。
  6. 在第二个子图(ax2)中绘制余弦函数曲线，同样使用plot函数，并指定标签和颜色。设置标题为"Cosine Function"并显示图例。
  7. 在第三个子图(ax3)中绘制正切函数曲线，同样使用plot函数，并指定标签和颜色。设置标题为"Tangent Function"并显示图例。
  8. 调用plt.tight_layout()函数来自动调整子图之间的距离。
  9. 最后调用plt.show()来显示图形。

3 调整子图的尺寸

以下是一些常用的参数，用于调整子图的尺寸和位置：

  1. nrows和ncols：这两个参数用于指定子图的网格布局的行数和列数。例如，fig.add_subplot(2, 2, 1)表示一个2x2的网格布局，其中有4个子图。

  2. index：该参数指定子图在网格中的位置。例如，fig.add_subplot(2, 2, 1)表示在2x2的网格中的第一个位置创建子图。

  3. position：通过position参数，您可以设置子图的位置和大小，它是一个四元组，表示子图的左、下、宽度和高度。例如，fig.add_subplot(position=[0.1, 0.1, 0.8, 0.8])表示在图形中创建一个左上角偏移10%并且宽度和高度都为80%的子图。

  4. projection：用于指定子图的投影类型，例如3D子图、极坐标子图等。

  5. polar：一个布尔值，用于指定子图是否使用极坐标。默认为False。

您可以通过设置gridspec中每个子图的相对宽度来调整子图的尺寸。以下示例将第一个子图的宽度设置为其他两个子图的两倍：

import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
import numpy as np

# 创建示例数据
x = np.linspace(0, 2 * np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)

# 创建一个包含多个子图的图表，使用gridspec定义子图布局
fig = plt.figure(figsize=(12, 4))

 # 1行3列的子图布局，第一个子图宽度为其他两个的两倍
gs = gridspec.GridSpec(1, 3, width_ratios=[2, 1, 1]) 

# 第一个子图
ax1 = plt.subplot(gs[0, 0])
ax1.plot(x, y1, label='Sine Function', color='blue')
ax1.set_title('Sine Function')
ax1.legend()

# 第二个子图
ax2 = plt.subplot(gs[0, 1])
ax2.plot(x, y2, label='Cosine Function', color='red')
ax2.set_title('Cosine Function')
ax2.legend()

# 第三个子图
ax3 = plt.subplot(gs[0, 2])
ax3.plot(x, y3, label='Tangent Function', color='green')
ax3.set_title('Tangent Function')
ax3.legend()

# 调整子图之间的距离
plt.tight_layout()

# 显示图形
plt.show()

         以上代码演示了如何使用Matplotlib创建一个包含多个子图的图表，并使用gridspec来定义子图布局。代码的步骤如下：

  1. 导入Matplotlib库和NumPy库。
  2. 创建示例数据，使用NumPy的linspace函数生成0到2π之间的100个点作为x轴数据，同时计算对应的正弦、余弦和正切值作为y轴数据。
  3. 创建一个Figure对象，设置图表的大小为(12, 4)。
  4. 使用gridspec.GridSpec函数创建一个网格布局，指定1行3列的子图布局，并通过width_ratios参数设置第一个子图的宽度为其他两个子图的两倍。
  5. 在第一个子图(ax1)中绘制正弦函数曲线，使用plot函数，并指定标签(label)和颜色(color)。同时设置标题(set_title)为"Sine Function"并显示图例(legend)。
  6. 在第二个子图(ax2)中绘制余弦函数曲线，同样使用plot函数，并指定标签和颜色。设置标题为"Cosine Function"并显示图例。
  7. 在第三个子图(ax3)中绘制正切函数曲线，同样使用plot函数，并指定标签和颜色。设置标题为"Tangent Function"并显示图例。
  8. 调用plt.tight_layout()函数来自动调整子图之间的距离。
  9. 最后调用plt.show()来显示图形。

4 多行多列的子图布局

        您可以使用gridspec创建多行多列的子图布局，以便在一个图表中组织更多的子图。以下示例演示了一个包含多行多列子图的图表：

import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
import numpy as np

# 创建示例数据
x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)

# 创建一个包含多行多列子图的图表，使用gridspec定义子图布局
fig = plt.figure(figsize=(10, 6))
gs = gridspec.GridSpec(3, 2)  # 3行2列的子图布局

# 绘制多行多列的子图
for i in range(3):
    for j in range(2):
        ax = plt.subplot(gs[i, j])
        ax.plot(x, y, label='Sine Function', color='blue')
        ax.set_title(f'Subplot ({i+1}, {j+1})')
        ax.legend()

# 调整子图之间的距离
plt.tight_layout()

# 显示图形
plt.show()

运行： 

5 子图之间的共享轴

        您可以通过设置sharex和sharey参数来共享子图之间的X轴或Y轴。以下示例演示了在子图之间共享X轴的情况：

import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 2 * np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 创建一个包含多个子图的图表
fig, (ax1, ax2) = plt.subplots(2, 1, sharex=True, figsize=(8, 6))

# 第一个子图，共享X轴
ax1.plot(x, y1, label='Sine Function', color='blue')
ax1.set_title('Shared X-Axis')
ax1.legend()

# 第二个子图，共享X轴
ax2.plot(x, y2, label='Cosine Function', color='red')
ax2.legend()

# 调整子图之间的距离
plt.tight_layout()

# 显示图形
plt.show()

运行： 

共享Y轴示例：

        在这个示例中，我们创建了两个子图，通过sharey=True参数来共享Y轴。这两个子图分别绘制了sin函数和cos函数，并共享相同的Y轴刻度。整体标题用suptitle函数添加。这个示例演示了如何创建共享Y轴的子图。代码如下：

import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 创建两个子图，共享Y轴
fig, (ax1, ax2) = plt.subplots(1, 2, sharey=True, figsize=(10, 4))

# 在第一个子图上绘制sin函数
ax1.plot(x, y1, label='Sine Function', color='blue', linestyle='--')
ax1.set_title('Subplot 1: Sine Function')
ax1.set_xlabel('X-axis')
ax1.set_ylabel('Y-axis')
ax1.legend()

# 在第二个子图上绘制cos函数
ax2.plot(x, y2, label='Cosine Function', color='red', linestyle='-')
ax2.set_title('Subplot 2: Cosine Function')
ax2.set_xlabel('X-axis')
ax2.legend()

# 添加整体标题
plt.suptitle('Two Subplots Sharing Y-Axis', fontsize=16, fontweight='bold')

# 显示图形
plt.show()

运行： 

6 绘制多个子图类型

        您可以在同一个图表中组合不同类型的子图，例如线图和散点图。以下示例演示了如何在同一图表中绘制多个子图类型：

import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 2 * np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)
x_scatter = np.random.rand(50) * 2 * np.pi
y_scatter = np.sin(x_scatter)

# 创建一个包含多个子图的图表
fig, axs = plt.subplots(2, 2, figsize=(10, 6))

# 第一个子图：线图
axs[0, 0].plot(x, y1, label='Sine Function', color='blue')
axs[0, 0].set_title('Line Plot')
axs[0, 0].legend()

# 第二个子图：散点图
axs[0, 1].scatter(x_scatter, y_scatter, label='Scatter Points', color='red', marker='o')
axs[0, 1].set_title('Scatter Plot')
axs[0, 1].legend()

# 第三个子图：线图
axs[1, 0].plot(x, y2, label='Cosine Function', color='green')
axs[1, 0].set_title('Line Plot')
axs[1, 0].legend()

# 第四个子图：散点图
axs[1, 1].scatter(x_scatter, y_scatter, label='Scatter Points', color='purple', marker='s')
axs[1, 1].set_title('Scatter Plot')
axs[1, 1].legend()

# 调整子图之间的距离
plt.tight_layout()

# 显示图形
plt.show()

运行： 

  1. 导入Matplotlib库和NumPy库。
  2. 创建示例数据，使用NumPy的linspace函数生成0到2π之间的100个点作为x轴数据，并计算对应的正弦值和余弦值作为y轴数据。还生成了50个随机点用于绘制散点图。
  3. 创建一个包含2行2列子图的图表，使用 ​subplots​函数并设置 ​figsize​参数指定图表的大小。​subplots​函数会返回一个Figure对象和一个包含子图的Axes对象的二维数组。
  4. 在第一个子图(axs[0, 0])中绘制正弦函数的线图，使用 ​plot​函数，并指定标签(label)和颜色(color)。设置标题(set_title)为"Line Plot"并显示图例(legend)。
  5. 在第二个子图(axs[0, 1])中绘制散点图，使用 ​scatter​函数，并指定标签、颜色和标记(marker)类型。同样设置标题和图例。
  6. 在第三个子图(axs[1, 0])中绘制余弦函数的线图，使用 ​plot​函数，并指定标签和颜色。设置标题和图例。
  7. 在第四个子图(axs[1, 1])中绘制散点图，使用 ​scatter​函数，并指定标签、颜色和标记类型。同样设置标题和图例。
  8. 使用 ​tight_layout​函数调整子图之间的距离，使其更美观。
  9. 调用 ​show​函数显示图形。

7 实战：

绘制一个大图，里面包含6个不同类别的子图，不均匀布局。

第一行放一个子图，第二行放两个子图 ，第三行放三个子图 ，分别自适应设置子图的尺寸和背景色，示例与代码如下：

import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)

# 创建图形
fig = plt.figure(figsize=(12, 8))

 # 在上方添加母图标题
fig.suptitle('Customized Subplots Example', fontsize=16, fontweight='bold') 

# fig.suptitle('Customized Subplots Example', fontsize=16, fontweight='bold', y=0.05) # 在下方添加母图标题

# 调整子图的布局，增加垂直间距，避免子图之间有交叉
plt.subplots_adjust(hspace=0.5)

# 第一行，一个子图，绘制线图
ax1 = fig.add_subplot(3, 1, 1)
ax1.plot(x, y, color='blue', label='Sine Function', linewidth=2, linestyle='--', marker='o', markersize=5)
ax1.set_title('Line Plot', fontsize=14)
ax1.set_facecolor('lightgray')
ax1.set_xlabel('X-axis', fontsize=12)
ax1.set_ylabel('Y-axis', fontsize=12)
ax1.legend()

# 添加注释
ax1.annotate('Peak Point', xy=(np.pi/2, 1), xytext=(np.pi/2, 1.2),
             arrowprops=dict(facecolor='black', shrink=0.05),
             fontsize=12, bbox=dict(boxstyle='round,pad=0.3', edgecolor='black', facecolor='yellow'))

# 第二行，两个子图，一个散点图，一个柱状图
ax2 = fig.add_subplot(3, 2, 3)
ax2.scatter(x, y, color='red', label='Scatter Plot', s=20)
ax2.set_title('Scatter Plot', fontsize=14)
ax2.set_facecolor('lightyellow')
ax2.set_xlabel('X-axis', fontsize=12)
ax2.set_ylabel('Y-axis', fontsize=12)
ax2.legend()

ax3 = fig.add_subplot(3, 2, 4)
ax3.bar(x, y, color='green', label='Bar Plot', alpha=0.7)
ax3.set_title('Bar Plot', fontsize=14)
ax3.set_facecolor('lightgreen')
ax3.set_xlabel('X-axis', fontsize=12)
ax3.set_ylabel('Y-axis', fontsize=12)
ax3.legend()

# 第三行，三个子图，一个直方图，一个饼图，一个箱线图
ax4 = fig.add_subplot(3, 3, 7)
ax4.hist(y, bins=20, color='purple', label='Histogram', alpha=0.7)
ax4.set_title('Histogram', fontsize=14)
ax4.set_facecolor('lightpink')
ax4.set_xlabel('X-axis', fontsize=12)
ax4.set_ylabel('Frequency', fontsize=12)
ax4.legend()

ax5 = fig.add_subplot(3, 3, 8)
ax5.pie([len(y[y > 0]), len(y[y < 0])], labels=['Positive', 'Negative'], colors=['orange', 'lightblue'], autopct='%1.1f%%')
ax5.set_title('Pie Chart', fontsize=14)
ax5.set_facecolor('lightcoral')
ax5.legend()

ax6 = fig.add_subplot(3, 3, 9)
ax6.boxplot(y, vert=False, widths=0.3, patch_artist=True, boxprops=dict(facecolor='lightgray'))
ax6.set_title('Box Plot', fontsize=14)
ax6.set_facecolor('lightblue')
ax6.set_xlabel('X-axis', fontsize=12)
ax6.legend([])  # 添加空的图例以解决警告

# 调整子图布局
plt.tight_layout()

# 显示图形
plt.show()

运行：

上面的示例代码演示了如何创建一个包含不同类型子图的图形，并对每个子图进行了定制化设置。代码流程：

  1. 创建示例数据：使用numpy生成示例数据，这里生成了一个sin函数的数据。

  2. 创建图形对象：使用plt.figure()创建一个图形对象，可以设置图形的大小。

  3. 添加母图标题：使用fig.suptitle()可以为整个图形添加一个标题。

  4. 调整子图的布局：使用plt.subplots_adjust()可以调整子图之间的间距，这里增加了垂直间距。

  5. 创建子图：使用fig.add_subplot()创建子图，指定子图的位置和数量。

  6. 绘制不同类型的子图：根据需要，创建不同类型的子图，如线图、散点图、柱状图、直方图、饼图、箱线图等。

  7. 设置子图的标题、背景色、坐标轴标签和图例：使用set_title()、set_facecolor()、set_xlabel()、set_ylabel()和legend()方法来设置子图的各种属性。

  8. 添加注释：使用annotate()方法可以在子图上添加注释。

  9. 调整子图布局：使用plt.tight_layout()可以自动调整子图的布局，使其适应图形大小。

  10. 显示图形：使用plt.show()显示最终的图形。

这个示例演示了如何在一个图形中创建多个子图，并对每个子图进行不同的设置和绘制不同类型的图表。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1014994.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

redis的安装、基础命令学习、常用数据结构

redis的安装、基础命令学习、常用数据结构

文章目录 前言一、Redis安装1.Ubuntu下安装&#xff08;1&#xff09;切换到root用户下&#xff08;2&#xff09;使用apt安装redis5&#xff08;3&#xff09;为了使redis支持远程连接&#xff0c;修改以下地方&#xff08;4&#xff09;验证安装是否成功 2.Centos7下安装&…
阅读更多...
基于Java+SpringBoot+Vue+uniapp点餐小程序（包含协同过滤算法和会员系统，强烈推荐！）

基于Java+SpringBoot+Vue+uniapp点餐小程序（包含协同过滤算法和会员系统，强烈推荐！）

校园点餐小程序 一、前言二、我的优势2.1 自己的网站2.2 自己的小程序&#xff08;小蔡coding&#xff09;2.3 有保障的售后2.4 福利 三、开发环境与技术3.1 MySQL数据库3.2 Vue前端技术3.3 Spring Boot框架3.4 微信小程序 四、功能设计4.1 系统功能结构设计4.2 主要功能描述 五…
阅读更多...
理清Spring事务的核心关键类

理清Spring事务的核心关键类

在spring事务源码的内部&#xff0c;会有几个比较核心关键的类&#xff0c;虽然这基本上都是源码内部才使用到的类&#xff0c;但是有时候我们要对其做一些改造的时候免不了要去使用到这些类&#xff0c;并且这些类在spring事务内部都是起到关键的作用&#xff0c;对了解spring…
阅读更多...
[2023-09-13]使用EXPDP/IMPDP迁移数据库后统计信息引起的性能问题

[2023-09-13]使用EXPDP/IMPDP迁移数据库后统计信息引起的性能问题

问题描述&#xff1a; 客户在使用expdp/impdp迁移数据库完成后&#xff0c;在新环境收集统计信息&#xff0c;但是在迁移完成的当天中午&#xff0c;好多SQL语句执行变慢&#xff0c;执行计划发生了改变&#xff0c;下面通过案例来说明。 1、准备数据 scott用户下创建test表&…
阅读更多...
进程控制再学习

进程控制再学习

0.“开两个终端窗口” 因为学校用的虚拟机&#xff0c;得用终端登录&#xff0c;不能像shell一样直接复制窗口。 我们只需要登录两次就可以了&#xff08;方便监视&#xff09; 1.ps 1.循环ps while :;do ps -f;ps -ef|grep zombie;done 每秒打印一次&#xff1a; while :…
阅读更多...
基于SSM+Vue的校园教务系统的设计与实现

基于SSM+Vue的校园教务系统的设计与实现

末尾获取源码 开发语言&#xff1a;Java Java开发工具&#xff1a;JDK1.8 后端框架&#xff1a;SSM 前端&#xff1a;采用Vue技术开发 数据库&#xff1a;MySQL5.7和Navicat管理工具结合 服务器&#xff1a;Tomcat8.5 开发软件&#xff1a;IDEA / Eclipse 是否Maven项目&#x…
阅读更多...
报修工单系统如何提升维修维保工作效率？

报修工单系统如何提升维修维保工作效率？

在日常的报修维修工作中&#xff0c;我们经常会遇到一些挑战。其中数据分析是一项艰巨的任务&#xff0c;因为我们需要处理大量的数据并从中提取有价值的信息。维修工单的统计也是一个复杂的过程&#xff0c;需要对工单进行分类和整理&#xff0c;以便更好地了解工作的进度和效…
阅读更多...
sudo+vim+g++/gcc+makefile+进度条

sudo+vim+g++/gcc+makefile+进度条

目录 一、信任表中加入指定的普通用户&#xff08;使其能使用sudo&#xff09; 二、vim的使用 &#xff08;一&#xff09;基本概念 1. 正常/普通/命令模式(Normal mode) 2. 插入模式(Insert mode) 3. 末行模式(last line mode) &#xff08;二&#xff09;vim正常模式…
阅读更多...
国庆中秋特辑（一）浪漫祝福方式 用循环神经网络（RNN）或长短时记忆网络（LSTM）生成祝福诗词

国庆中秋特辑（一）浪漫祝福方式 用循环神经网络（RNN）或长短时记忆网络（LSTM）生成祝福诗词

目录 一、使用深度学习中的循环神经网络&#xff08;RNN&#xff09;或长短时记忆网络&#xff08;LSTM&#xff09;生成诗词二、优化&#xff1a;使用双向 LSTM 或 GRU 单元来更好地捕捉上下文信息三、优化&#xff1a;使用生成对抗网络&#xff08;GAN&#xff09;或其他技术…
阅读更多...
根据keypoint生成heatmap

根据keypoint生成heatmap

这里keypoint是有类别的&#xff0c;生成的heatmap是每个通道对应每个类别的heatmap 第一种会比较慢&#xff0c;第二种会比较快 第一种 def generate_heatmap(heatmap_size, sigma, class_num, keypoints, normalization): """generate gaussian heatmap:…
阅读更多...
0.96寸OLED屏显示测试和代码详细分析SPI通信

0.96寸OLED屏显示测试和代码详细分析SPI通信

第一次尝试点亮 程序代码地址,密码&#xff1a;1234。 买了一个两色的oled&#xff0c;然后下载了资料&#xff0c;手里有一个8266的arduino&#xff0c;所以为了方便就直接用了。使用arduino主要原因&#xff0c;单片机keil太大&#xff0c;来回找文件修改引脚比较麻烦。实际…
阅读更多...
在ubuntu20下使用花生壳映射vscode SSH

在ubuntu20下使用花生壳映射vscode SSH

1、在ubuntu20下安装花生壳 下载花生壳&#xff1a;花生壳客户端官方下载 - 贝锐花生壳官网 选择ubuntu 或者 wget "https://dl.oray.com/hsk/linux/phddns_5.2.0_amd64.deb" -O phddns_5.2.0_amd64.deb 安装 :sudo dpkg -i phddns_5.2.0_amd64.deb" -O phddns…
阅读更多...
【sgGoogleTranslate】自定义组件：基于Vue.js用谷歌Google Translate翻译插件实现网站多国语言开发

【sgGoogleTranslate】自定义组件：基于Vue.js用谷歌Google Translate翻译插件实现网站多国语言开发

sgGoogleTranslate源码 <template><div :id"$options.name"> </div> </template> <script> export default {name: "sgGoogleTranslate",props: ["languages", "currentLanguage"],data() {return {//…
阅读更多...
图解曲线积分的对称性

图解曲线积分的对称性

1.图解曲线积分的对称性 1.1 第一类曲线积分的一般对称性 二重积分、三重积分、第一类曲线积分、第一类曲面积分的一般对称性其原理都类似 平面曲线和空间曲线的原理一样&#xff0c;以下内容以空间曲线为例 图中所示为积分区域 Γ \Gamma Γ&#xff0c;函数 f ( x , y , z…
阅读更多...
利用 Python PyPDF2库轻松提取PDF文本（及其他高级操作）

利用 Python PyPDF2库轻松提取PDF文本（及其他高级操作）

当需要从PDF文件中提取文本时&#xff0c;Python中的PyPDF2库是一个非常有用的工具。无论您是需要分析PDF文档中的内容还是需要在文档中搜索特定的信息&#xff0c;PyPDF2都可以帮助您轻松实现这些任务。 在本文中&#xff0c;我们将探讨如何使用PyPDF2库提取PDF文件中的文本&…
阅读更多...
vue学习之vue cli创建项目

vue学习之vue cli创建项目

安装 node.js https://nodejs.org/en 安装 vue cli npm install -g @vue/cli --registry=https://registry.npm.taobao.org创建项目 执行创建命令，回车vue create vue-cli-learning选择 “Manually select features”，回车 “空格” 关闭 Linter / Formatter 选项，回车
阅读更多...
开源库源码分析：OkHttp源码分析（二）

开源库源码分析：OkHttp源码分析（二）

开源库源码分析&#xff1a;OkHttp源码分析&#xff08;二&#xff09; 导言 上一篇文章中我们已经分析到了OkHttp对于网络请求采取了责任链模式&#xff0c;所谓责任链模式就是有多个对象都有机会处理请求&#xff0c;从而避免请求发送者和接收者之间的紧密耦合关系。这篇文章…
阅读更多...
【数据结构】链表面试题

【数据结构】链表面试题

203.移除链表元素 206.反转链表 876.链表的中间结点 牛客.链表中倒数第k个结点 21.合并两个有序链表 牛客.链表分隔 牛客.链表的回文结构 160.相交链表 141.环形链表 142.环形链表2 1. 移除链表元素 题目描述 思路&#xff1a; 定义一个指针cur遍历整个链表&#xff0c;一个ta…
阅读更多...
阿里云 linux 的nginx 配置uni-app的H5前端项目vue，后端接口阿里云。

阿里云 linux 的nginx 配置uni-app的H5前端项目vue，后端接口阿里云。

背景 vue项目调用接口是阿里云的&#xff0c;H5网站也要部署到阿里云&#xff0c;2个不同的服务器&#xff0c;需要做nginx部署与api代理。 端口配置 首先当然是买个阿里云服务器&#xff0c;这里是配置是linux系统&#xff0c;配置访问的域名 &#xff0c;再接着&#xff1…
阅读更多...
【李沐深度学习笔记】数据操作

【李沐深度学习笔记】数据操作

本课观看地址 数据操作p1 N维数组样例 N维数组是机器学习和神经网络的主要数据结构 1-d向量就是样本的各特征抽象成一个向量&#xff1b;2-d矩阵的每一行是一个样本&#xff0c;每一行都是一个样本的特征向量 3-d可以表示RGB图片&#xff0c;RGB图像是一个三维数组&#xff…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023