figure.add_subplot(rows, cols, i)

这段代码的作用是向 Matplotlib 中的 `figure` 对象添加一个子图，并设置该子图在子图矩阵中的位置。

具体来说，该代码中的 `rows` 和 `cols` 分别表示子图矩阵的行数和列数，`i` 表示当前子图在子图矩阵中的位置。`add_subplot()` 方法会在 `figure` 对象中添加一个新的子图对象，并返回该子图对象的引用。其中，`rows`、`cols` 和 `i` 三个参数通过位置的方式指定该子图在子图矩阵中的位置。例如，如果 `rows=2`、`cols=3`、`i=4`，则该子图会被添加到子图矩阵的第二行第一列的位置上。

在这段代码中，通过循环不断添加子图，从而将多个样本的图像和标签显示在同一个 Matplotlib 图像中，以便于数据集的可视化和分析。

相关问题

sample_idx = torch.randint(len(training_data), size=(1,)).item() img, label = training_data[sample_idx] figure.add_subplot(rows, cols, i) plt.title(labels_map[label]) plt.axis("off") plt.imshow(img.squeeze(), cmap="gray")

这段代码的作用是从 `training_data` 数据集中随机选择一个样本，并将其对应的图像和标签显示在 Matplotlib 中的一个子图中。

具体来说，前一行代码的作用已经解释过了，即随机选择一个样本并返回其在数据集中的索引。接下来的一行代码中，将随机选择的样本通过 `training_data[sample_idx]` 语句获取，其中 `img` 表示该样本的图像，`label` 表示该样本的标签。接下来，将该子图添加到 Matplotlib 的 `figure` 对象中，并设置其在子图矩阵中的位置。然后，设置该子图的标题为该样本的标签，将坐标轴关闭，并使用 `imshow()` 方法将该样本的图像显示出来。最后，将 `img` 转换为灰度图像，并使用 `cmap` 参数设置颜色映射。

这段代码通常用于可视化数据集中的样本，以便更好地理解数据集的特点和结构。

fig = plt.figure()

这行代码创建了一个新的图像窗口。如果你想在这个窗口中添加子图或者绘制图形，可以使用以下代码：

ax = fig.add_subplot(num_rows, num_cols, plot_num)
ax.plot(x, y)

其中，`num_rows` 和 `num_cols` 分别表示子图的行数和列数，`plot_num` 表示当前子图的编号。`ax` 是当前子图的对象，可以调用其方法进行图形绘制。