jupyter如何修改图片尺寸

可以使用`options`函数来修改Jupyter中图片的尺寸。具体操作如下：

options(repr.plot.width = 12, repr.plot.height = 5)

其中，`repr.plot.width`和`repr.plot.height`分别表示图片的宽度和高度，可以根据需要进行修改。

另外，如果你想在Jupyter中插入图片并修改其尺寸，可以按照以下步骤进行操作：
1. 将Jupyter的编辑模式从notebook改为markdown格式；
2. 将图片拖拽到markdown文本框中，此时会自动生成特定格式的代码；
3. 在代码中添加`width`和`height`属性，并设置对应的值，即可修改图片的尺寸；
4. 按下`ctrl+enter`即可显示图片。

举个例子，假设你要插入一张名为`example.png`的图片，并将其宽度设置为800像素，高度设置为400像素，可以按照以下方式进行操作：

![example](example.png){width=800px height=400px}

相关问题

jupyter notebook图片显示不出来

解决jupyter notebook中图片无法显示的问题，可以尝试以下方法：

1. 检查图片路径：确保图片路径是正确的，可以使用绝对路径或相对路径。如果是相对路径，确保图片与notebook文件在同一目录或子目录中。

2. 检查图片格式：确保图片格式是常见的格式，如PNG、JPEG等。如果图片格式不正确，可以尝试将其转换为正确的格式。

3. 检查图片大小：如果图片过大，可能无法在notebook中完全显示。可以尝试缩小图片尺寸或压缩图片质量。

4. 检查notebook设置：在notebook中，可以通过以下方法检查和修改图片显示设置：
- 检查是否启用了"Cell -> All Output -> Toggle Scrolling"选项。如果启用了该选项，可能会导致图片无法完全显示。可以尝试禁用该选项。
- 检查是否启用了nbextensions中的相关选项，如"LaTex enviroments for Jupyter"。如果启用了该选项，可能会导致图片无法显示。可以尝试禁用该选项。

5. 重新加载页面：有时候，刷新页面或重新启动notebook内核可以解决图片无法显示的问题。

6. 使用HTML标签：如果以上方法都无效，可以尝试使用HTML标签来显示图片。可以使用`<img>`标签，并设置正确的图片路径。

<img src="path/to/image.png" alt="Image">

jupyter notebook实现图片分类

### 如何在 Jupyter Notebook 中使用 PyTorch 实现图像分类

#### 准备工作
为了能够在 Jupyter Notebook 中顺利执行图像分类任务，首先需要安装必要的依赖包。确保已经安装了 `pytorch` 及其对应的 GPU 版本（如果硬件支持的话），以及用于处理图像的数据集加载工具如 `torchvision`。

pip install torch torchvision matplotlib numpy jupyter

#### 导入所需库
启动一个新的 Jupyter Notebook 并导入所需的Python模块：

import torch
from torch import nn, optim
from torch.utils.data import DataLoader
from torchvision import datasets, transforms, models
import matplotlib.pyplot as plt
import numpy as np

#### 数据预处理与加载
定义数据转换操作来标准化输入图片尺寸，并创建训练集和测试集的迭代器：

transform = transforms.Compose([
    transforms.Resize((224, 224)), 
    transforms.ToTensor(),
])

train_dataset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
test_dataset = datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)

batch_size = 64
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)

#### 构建卷积神经网络模型
这里采用了一个简单的CNN架构作为例子；实际应用中可以根据需求调整层数和其他超参数设置:

class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()
        self.conv_layers = nn.Sequential(
            nn.Conv2d(3, 32, kernel_size=3),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=2),

            nn.Conv2d(32, 64, kernel_size=3),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=2),
            
            nn.Flatten()
        )
        
        self.fc_layer = nn.Linear(in_features=64*53*53, out_features=10) # CIFAR-10 has 10 classes
    
    def forward(self, x):
        features = self.conv_layers(x)
        output = self.fc_layer(features)
        return output

model = SimpleCNN().cuda() if torch.cuda.is_available() else SimpleCNN()
print(model)

#### 定义损失函数和优化算法
选择交叉熵作为损失函数，并配置Adam优化器来进行梯度下降更新权重：

criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)
device = 'cuda' if torch.cuda.is_available() else 'cpu'
model.to(device);

#### 训练过程
编写循环脚本来完成多轮次遍历整个训练集的过程，在每一轮结束后评估当前模型性能指标变化情况：

num_epochs = 5
for epoch in range(num_epochs):
    running_loss = 0.0
    correct_predictions = 0
    total_samples = 0
    
    model.train(True)
    
    for images, labels in train_loader:
        images, labels = images.to(device), labels.to(device)
        
        optimizer.zero_grad()

        outputs = model(images)
        loss = criterion(outputs, labels)
        _, predicted = torch.max(outputs.data, 1)
        
        loss.backward()
        optimizer.step()

        running_loss += loss.item()*images.size(0)
        correct_predictions += (predicted == labels).sum().item()
        total_samples += labels.size(0)
        
    avg_loss = running_loss / total_samples
    accuracy = 100 * correct_predictions / total_samples
    
    print(f'[Epoch {epoch+1}/{num_epochs}] Loss: {avg_loss:.4f}, Accuracy: {accuracy:.2f}%')

#### 测试阶段
最后一步是在独立验证集上检验最终版模型的表现质量：

correct_test_preds = 0
total_test_samples = 0

with torch.no_grad():
    model.eval()
    for test_images, test_labels in test_loader:
        test_images, test_labels = test_images.to(device), test_labels.to(device)
        test_outputs = model(test_images)
        _, test_predicted = torch.max(test_outputs.data, 1)
        correct_test_preds += (test_predicted == test_labels).sum().item()
        total_test_samples += test_labels.size(0)

final_accuracy = 100 * correct_test_preds / total_test_samples
print(f'Test set final accuracy: {final_accuracy:.2f}%')

上述代码展示了如何基于PyTorch框架构建一个基础版本的图像分类系统[^1]。此案例选择了CIFAR-10公开数据集进行实验说明[^2]。值得注意的是，当涉及到更复杂的场景时，可能还需要考虑引入更多高级特性比如迁移学习、正则化技术等以提升泛化能力和鲁棒性[^3]。此外，GPU加速能显著缩短计算时间从而加快开发进度[^4]。