o1-mini-2024-09-12· OpenAI WildChat-4.8M (AI2)
以下是一段绘图的代码,我希望将多个子图绘制在同一张图中,配上相应的图例,同时将x轴更改为科学计数法,如何实现 [code]
- User
以下是一段绘图的代码,我希望将多个子图绘制在同一张图中,配上相应的图例,同时将x轴更改为科学计数法,如何实现
plt.figure(figsize=(8, 6)) for j, model in enumerate(models): if model.__class__.__name__ == "AutoencoderKL2D": latent_dist = model.encode(target_normalized).latent_dist elif model.__class__.__name__ == "AutoencoderKLCausal3D" and not model.disable_causal_conv: latent_dist = model.encode(target_normalized).latent_dist elif model.__class__.__name__ == "AutoencoderKLCausal3D" and model.disable_causal_conv: if T == 1: target_normalized = target_normalized.expand(-1, -1, 4, -1, -1) else: target_normalized = target_normalized[:, :, :-1, ...] latent_dist = model.encode(target_normalized).latent_dist else: raise NotImplementedError(f"{model.__name__} is not supported") std_inf_norm = torch.linalg.vector_norm(latent_dist.std, float("inf")).item() print(f"sample-{i}-model-{j}: {std_inf_norm}") plt.subplot(1, len(models), j+1) plt.title(f"model-{i}") plt.xlabel('std_value') plt.ylabel('Probability Densit') sns.histplot(latent_dist.std.cpu().numpy().flatten(), bins=30, kde=True, color='skyblue', stat='density') plt.tight_layout() plt.savefig(f"{output_dir}/sample-{i}.png", dpi=300, bbox_inches="tight") plt.close() - Assistant
要将多个子图绘制在同一张图中,并为每个子图添加相应的图例,同时将 x 轴设置为科学计数法,可以按照以下步骤修改您的代码:
- 在同一张图中绘制多个模型的分布:使用
sns.histplot多次绘制不同模型的数据,并为每个模型添加标签,以便在图例中区分。 - 添加图例:通过
plt.legend()显示每个模型的标签。 - 设置 x 轴为科学计数法:使用
matplotlib.ticker模块中的ScalarFormatter和FuncFormatter来格式化 x 轴。
以下是修改后的代码示例:
import matplotlib.pyplot as plt import seaborn as sns import matplotlib.ticker as mtick import torch # 假设 models 是您的模型列表,target_normalized 是输入数据,i 是样本编号,output_dir 是输出目录 plt.figure(figsize=(10, 7)) for j, model in enumerate(models): if model.__class__.__name__ == "AutoencoderKL2D": latent_dist = model.encode(target_normalized).latent_dist elif model.__class__.__name__ == "AutoencoderKLCausal3D" and not model.disable_causal_conv: latent_dist = model.encode(target_normalized).latent_dist elif model.__class__.__name__ == "AutoencoderKLCausal3D" and model.disable_causal_conv: if T == 1: target_normalized = target_normalized.expand(-1, -1, 4, -1, -1) else: target_normalized = target_normalized[:, :, :-1, ...] latent_dist = model.encode(target_normalized).latent_dist else: raise NotImplementedError(f"{model.__class__.__name__} is not supported") std_inf_norm = torch.linalg.vector_norm(latent_dist.std, float("inf")).item() print(f"sample-{i}-model-{j}: {std_inf_norm}") # 绘制每个模型的直方图 sns.histplot( latent_dist.std.cpu().numpy().flatten(), bins=30, kde=True, label=f"Model {j+1}", # 设置图例标签 stat='density', alpha=0.6 # 设置透明度以便重叠时更易区分 ) plt.title(f"Sample-{i} Latent Standard Deviation Distribution") plt.xlabel('std_value') plt.ylabel('Probability Density') # 设置 x 轴为科学计数法 ax = plt.gca() ax.xaxis.set_major_formatter(mtick.ScalarFormatter(useMathText=True)) ax.ticklabel_format(style='sci', axis='x', scilimits=(0,0)) # 添加图例 plt.legend(title='Models') plt.tight_layout() plt.savefig(f"{output_dir}/sample-{i}.png", dpi=300, bbox_inches="tight") plt.close()详细说明
-
绘制多个模型的分布:
- 使用
sns.histplot多次绘制不同模型的数据。通过label参数为每个模型添加标签,用于图例显示。 alpha参数设置为 0.6,使得重叠部分半透明,便于区分不同模型的数据分布。
- 使用
-
添加图例:
plt.legend(title='Models')添加图例,标题为 "Models"。图例会根据sns.histplot中的label参数自动生成。
-
设置 x 轴为科学计数法:
- 使用
matplotlib.ticker.ScalarFormatter并启用数学文本格式,通过useMathText=True让科学计数法显示为 ( 1 \times 10^x ) 的形式。 - 使用
ax.ticklabel_format(style='sci', axis='x', scilimits=(0,0))强制 x 轴使用科学计数法。
- 使用
如果需要使用子图
如果您的需求实际上是将每个模型的数据绘制在不同的子图中,但仍然希望在每个子图中添加图例并设置 x 轴为科学计数法,可以使用
plt.subplots来创建多个子图,例如:import matplotlib.pyplot as plt import seaborn as sns import matplotlib.ticker as mtick import torch num_models = len(models) fig, axes = plt.subplots(1, num_models, figsize=(6 * num_models, 6), sharey=True) for j, (model, ax) in enumerate(zip(models, axes)): if model.__class__.__name__ == "AutoencoderKL2D": latent_dist = model.encode(target_normalized).latent_dist elif model.__class__.__name__ == "AutoencoderKLCausal3D" and not model.disable_causal_conv: latent_dist = model.encode(target_normalized).latent_dist elif model.__class__.__name__ == "AutoencoderKLCausal3D" and model.disable_causal_conv: if T == 1: target_normalized = target_normalized.expand(-1, -1, 4, -1, -1) else: target_normalized = target_normalized[:, :, :-1, ...] latent_dist = model.encode(target_normalized).latent_dist else: raise NotImplementedError(f"{model.__class__.__name__} is not supported") std_inf_norm = torch.linalg.vector_norm(latent_dist.std, float("inf")).item() print(f"sample-{i}-model-{j}: {std_inf_norm}") sns.histplot( latent_dist.std.cpu().numpy().flatten(), bins=30, kde=True, ax=ax, color='skyblue', stat='density' ) ax.set_title(f"Model {j+1}") ax.set_xlabel('std_value') ax.set_ylabel('Probability Density') # 设置 x 轴为科学计数法 ax.xaxis.set_major_formatter(mtick.ScalarFormatter(useMathText=True)) ax.ticklabel_format(style='sci', axis='x', scilimits=(0,0)) fig.suptitle(f"Sample-{i} Latent Standard Deviation Distributions", fontsize=16) fig.tight_layout(rect=[0, 0.03, 1, 0.95]) plt.savefig(f"{output_dir}/sample-{i}.png", dpi=300, bbox_inches="tight") plt.close()关键点
- 共享 y 轴:通过
sharey=True参数让所有子图共享 y 轴,提高对比性。 - 独立子图设置:每个子图都有自己的标题和轴标签,并单独设置 x 轴为科学计数法。
- 统一布局:使用
fig.tight_layout()和调整rect参数,确保主标题不被子图遮挡。
根据您的具体需求,选择将多个模型的数据绘制在同一张图上(带图例)或在多个子图中分别显示。如果有任何进一步的问题或需要更多自定义,请随时告诉我!
- 在同一张图中绘制多个模型的分布:使用