可视化

目录 1.二维平面图形与坐标系 1.1 线性坐标曲线plot 1.2二维函数曲线fplot 1.3图像窗口分割subplot 1.4坐标系调整 2.三维绘图命令 2.1三维曲线绘图plot3 2.2三维曲面绘图命令 2.2.1 平面网格点生成 2.2.2 三维网格命令mesh 2.2.3 三维表面命令surf 3.总结 1.二维平面图形与坐标系 1.1 线性坐标曲线plot 它是一个线性绘图函数，可以生成线段，曲线和参数方程曲线的函数图像。 命令格式： plot(x,y)或者plot(x1,y1,x2,y1,…) 示例：绘制正弦余弦函数。 x = 0 : 0.01 : 2 * pi ; y = [ sin ( x ) ; cos ( x ) ] ; plot ( x , y ) 1.2二维函数曲线fplot 专门用于绘制函数y=f(x)图像，数据点是自适应产生的，可以用fplot函数绘出导数变化大的函数图像。 命令格式：[X,Y]=fplot(‘fun’,lims) fun:函数名字符串； lims:定义x的取值区间，lims=[xmin,xmax]. 线型与颜色 常用的的线段，颜色与标记参数 颜色 线型 顶点标记 符号 含义 符号 含义 符号 含义 符号 含义 b 蓝色 - 实线 . 实点标记 Λ \Lambda Λ 朝上三角符 g 绿色 ： 虚线 o 圆圈标记 < 朝左三角符

基于python3 1.通用命令 #plt = matplotlib.pyplot plt . title ( 'square numbers' , fontsize = 14 ) #插入标题（标题，字号） plt . xlabel ( 'value' , fontsize = 12 ) #插入横坐标名称（坐标值，字号） plt . ylabel ( 'square of value' ) #插入纵坐标名称（坐标值，字号） plt . tick_params ( axis = 'both' , labelsize = 14 ) #刻度标记大小 颜色映射（colormap）——渐变色 Plt . plot ( x , y , c = y , cmap = plt . cm . Blues ) #必须用c不能用color，将折线颜色按照y的数值映射 保存图表 plt . savefig ( '文件名.png(文件类型)' , bbox_inches = 'tight' ) #bbox_inches=tight意思是将图表多余空白区域剪掉 2.画折线图 #plt = matplotlib.pyplot plt . plot ( iput_value , squares , linewidth = 5 ) #(x数据，y数据，线宽) 3.画散点图 #plt = matplotlib

各种线图： import mpf as mpf import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt from matplotlib.patches import Polygon # import matplotlib.finance as mpf from mpl_toolkits.mplot3d import Axes3D ''' axex: 设置坐标轴边界和表面的颜色、坐标刻度值大小和网格的显示 backend: 设置目标暑促TkAgg和GTKAgg figure: 控制dpi、边界颜色、图形大小、和子区( subplot)设置 grid: 设置网格颜色和线性 legend: 设置图例和其中的文本的显示 line: 设置线条（颜色、线型、宽度等）和标记 patch: 是填充2D空间的图形对象，如多边形和圆。控制线宽、颜色和抗锯齿设置等。 savefig: 可以对保存的图形进行单独设置。例如，设置渲染的文件的背景为白色。 verbose: 设置matplotlib在执行期间信息输出，如silent、helpful、debug和debug-annoying。 xticks和yticks: 为x,y轴的主刻度和次刻度设置颜色、大小、方向，以及标签大小。 plt.figure

今天整理下matplotlib常用到的图形 matplotlib 引入matplotlib包：import matplotlib.pyplot as plt 将图片内嵌在交互窗口，而不是弹出一个图片窗口 %matplotlib inline #notebook模式下 %pylab inline #ipython模式下 matplotlib官方文档 matplotlib官方文档：http://matplotlib.org/users/pyplot_tutorial.html​ pyplot的api http://matplotlib.org/api/pyplot_api.html#matplotlib.pyplot 散点图（plt.scatter） %matplotlib inline import matplotlib.pyplot as plt import numpy as np plt.rcParams['axes.unicode_minus'] = False #解决保存图像是负号'-'显示为方块的问题 #rand 均匀分布和 randn高斯分布 x=np.random.randn(1,1000) y=np.random.randn(1,1000) T=np.arctan2(x,y) plt.scatter(x,y,c=T,s=25,alpha=0.5,marker='o'

Mininet基本操作 拓扑测试 创建一个简单拓扑 mn 如图创建了一个两个host，一个switcher，一个controller的简单拓扑网络 查看节点 nodes 查看链路 net 输出各节点信息 dump 输出仿真主机信息 h2 ifconfig 节点连通实验 h2 ping -c 3 h1 全网互ping pingall 调出终端 xterm h1 h2 退出 exit 清空 mn -c 可视化操作 运行可视化脚本 ./miniedit.py 此时会出现一个空白的可视化界面，可以拖动相应的组件搭建拓扑结构 在图标点击右键可以设置主机、交换机、控制器的属性。如ip地址等等。 来源： CSDN 作者： 蔚蓝色的风暴 链接： https://blog.csdn.net/qq_37831759/article/details/104145075

Fruchterman Reingold (FR) FR算法将所有的结点看做是电子，每个结点收到两个力的作用： 其他结点的库伦力（斥力） f a ( d ) = d 2 k f_{a}(d)=\frac{d^{2}}{k} f a ​ ( d ) = k d 2 ​ 边对点的胡克力（引力）。 f r ( d ) = − k 2 d f_{r}(d)=\frac{-k^{2}}{d} f r ​ ( d ) = d − k 2 ​ 该算法遵循两个简单的原则：有边连接的节点应该互相靠近；节点间不能离得太近。FR算法建立在粒子物理理论的基础上，将图中的节点模拟成原子，通过模拟原子间的力场来计算节点间的位置关系。算法通过考虑原子间引力和斥力的互相作用，计算得到节点的速度和加速度。依照类似原子或者行星的运动规律，系统最终进入一种动态平衡状态。 OpenOrd OpenOrd是一个面向大规模图布局的开源算法，来自论文OpenOrd:An Open-Source Toolbox for Large Graph Layout 这是一种力-导向的布局算法，专门用于处理非常大的图结构 左边（a）显示的是瑞士卷Swiss roll数据集，由瑞士卷副本manifold随机抽取的2万个点组成19,30。 中间（b）显示的是一个由使用VxOrd的20个最近的邻居 这种算法从瑞士卷中获得的力-导向布局。

bo主有话说： 喜欢音乐的小伙伴相信都或多或少看到过一些频谱，简单的比如QQ音乐，酷狗等一些音乐软件上面都有一些，可惜的是这些频谱嵌入到软件界面上，好看的就那么一两个，并不能满足一些人对音乐的渴望，至少对我来说，是这样的。当然，还可以使用雨滴，AE来制作非常炫酷的频谱，但是这两个软件却也有一些弊端。通过雨滴，我们可以制作一些悬挂在桌面的频谱，但是制作这样的频谱，需要使用雨滴的编程语法进行开发，这对小白并不是很友好。而AE呢，这真的可谓是一个重量级的大BOSS，使用AE可以制作出非常非常非常炫酷的频谱！但是AE本身是一个图形视频处理软件，它只能在视频中嵌入频谱，并不能把频谱摆在桌面。 在去年的时候，我曾发过一篇帖子，说自己想做一个这样的软件，本来只是随口一说，没想到却有几千的浏览量，再加上我的学习目标并不是web、android开发，因此下定决心去做这个软件（Specinker），以便了解一些音视频处理相关的编程技术。 Specinker能干嘛？ specinker提供了一些基本的可视化图形，通过这些图形，可以拼凑出很多炫酷的频谱，比如： 比如拼凑第一个频谱，只需使用三个环形轨道的频谱，分别是点，柱，线就能构成 specinker目前只提供2种轨道：线型和环型 每一种轨道提供3种形状：点、线、柱 不同轨道和形状都有特殊的属性设置选项 支持对形状旋转，调色板调色，手势拖动，属性微调

Python数据可视化之填充不规则图形的思路 核心思想：点动成线，线动成面。 以下图为例，要求填充扇子的扇面部分。 一、绘制扇子： 首先要弄清楚它的结构，即能够用代码把扇子绘制出来。 （只有先把不规则图形的结构分析清楚，才能进一步填充它。） 先画一个框架： #调用的库 import math import numpy as np import matplotlib . pyplot as plt #画图的基础设置 fig = plt . figure ( 1 ) ax = fig . add_subplot ( 111 ) plt . axis ( 'off' ) plt . axis ( 'equal' ) #画框架线条 #画两条圆弧 theta = np . arange ( 0.5 * np . pi , np . pi , 0.01 ) for i in range ( 3 ) : x = i * np . cos ( theta ) y = i * np . sin ( theta ) ax . plot ( x , y , color = 'black' , linewidth = 0.7 ) #画两条主扇骨 z = np . arange ( 0 , 2 , 0.01 ) ax . plot ( z * math . cos ( math . pi / 2 ) , z

训练可视化 简介 深度神经网络是一个复杂的数学模型，其可解释性长时间为人质疑，被称为“黑盒”模型。但是其本质上就是个数学模型，很多统计学的方法可以用来观察理解这类深度模型。在PyTorch中并没有内置很完善的可视化功能，一般是借助TensorFlow的TensorBoard进行可视化（使用TensorBoardX这个工具）或者使用Visdom这个可视化工具，这两种方法是比较主流的手段。 TensoBoardX 通常神经网络的训练过程是漫长且复杂的，可视化训练过程对于问题的发现和模型收敛效果的确定非常重要，需要可视化的通常由Loss曲线、Accuracy曲线、特征图可视化、预测混淆矩阵等。 TensorBoardX包是为了让TensorFlow以外的框架可以使用TensorBoard进行训练可视化，其 官方文档 可以自行查阅。 安装 使用Pip工具安装该包即可。（在安装了tensorboard的前提下，使用命令 pip install tensorboardx 进行安装。） 启用监控 TensorBoard可视化的数据来自于本地log文件，该文件存在于一个文件夹，且在控制台开启TensorBoard服务时指定该文件夹为监控文件夹。 在该虚拟环境下启用tensorboard服务，启用命令为 tensorboard --logdir=logs （已经创建了 logs 文件夹）

Docker可视化管理工具Portainer Portainer是一个轻量级的管理界面，可以让您轻松地管理不同的Docker环境（Docker主机或Swarm集群）。 Portainer提供状态显示面板、应用模板快速部署、容器镜像网络数据卷的基本操作、事件日志显示、容器控制台操作、Swarm集群和服务等集中管理和操作、登录用户管理和控制等功能。 功能全面，基本能满足中小型单位对容器管理的全部需求。 一键拉取，运行命令： docker run -d --privileged --restart always --name portainer -v /data:/data -v /var/run/docker.sock:/var/run/docker.sock -p 9000:9000 portainer/portainer 访问： http://localhost:9000 参考： https://github.com/portainer/portainer https://portainer.readthedocs.io/en/latest/deployment.html 来源： CSDN 作者： Weison Wei 链接： https://blog.csdn.net/weixx3/article/details/103969708