for i in range(5): client_dataset = dataset.shuffle(buffer_size=len(train_images)) client_dataset = dataset.batch(batch_size=50) plot_data = collections.defaultdict(list) for example in client_dataset: plot_data[example['label'].numpy()].append(example['pixels'].numpy()) f = plt.figure(i, figsize=(12, 5)) f.suptitle("Client #{}'s Mean Image Per Label".format(i)) for j in range(10): mean_img = np.mean(plot_data[j], 0) plt.subplot(2, 5, j+1) plt.imshow(mean_img.reshape((28, 28))) plt.axis('off')运行该行代码时出现unhashable type: 'numpy.ndarray'错误该如何修改

数据集 {}".format(i)) for j in range(10): ax = f.add_subplot(2, 5, j+1) pixels = plot_data[j][0][0] pixels = np.array(pixels, dtype='uint8') reshaped_pixels = pixels.reshape((28, 28)) ax.imshow(reshaped_pixels, cmap='gray')

这段代码是一个循环，用于生成5个客户端数据集，每个数据集包含打乱顺序的训练图像，以及一个批次大小为50的图像批次。对于每个数据集，该代码会将类别标签和像素值存储在一个字典中，然后将这些值用于绘制一组10个子图像，分别表示10个不同的手写数字。在生成的每个图像中，每个数字将呈现为灰度图像。

相关问题

f = plt.figure(figsize=(12, 7)) f.suptitle('Label Counts for a Sample of Clients') for i in range(6): client_dataset = dataset.shuffle(buffer_size=len(train_images)) client_dataset = dataset.batch(batch_size=10) example = next(iter(client_dataset)) label = example['label'].numpy() unique_values, value_counts = np.unique(label, return_counts=True) plt.bar(unique_values, value_counts) plt.title('Client {}'.format(i)) plt.show()该段代码中如何修改实现使得输出的直方图呈现2*3的排列

把for循环中的i变量改为两个变量row和col，表示行和列的数量，然后用嵌套的for循环输出直方图，并在外层循环前面添加subplot方法，修改后的代码如下：

f = plt.figure(figsize=(12, 7))
f.suptitle('Label Counts for a Sample of Clients')

row = 2
col = 3

for i in range(row * col):
    client_dataset = dataset.shuffle(buffer_size=len(train_images))
    client_dataset = dataset.batch(batch_size=10)
    example = next(iter(client_dataset))
    label = example['label'].numpy()
    unique_values, value_counts = np.unique(label, return_counts=True)
    
    plt.subplot(row, col, i+1)
    plt.bar(unique_values, value_counts)
    plt.title('Client {}'.format(i))
    
plt.show()

f = plt.figure(figsize=(12, 7)) f.suptitle('Label Counts for a Sample of Clients') row = 2 col = 3 for i in range(row * col): client_dataset = dataset.shuffle(buffer_size=len(train_images)) client_dataset = dataset.batch(batch_size=10) example = next(iter(client_dataset)) label = example['label'].numpy() unique_values, value_counts = np.unique(label, return_counts=True) plt.subplot(row, col, i+1) plt.bar(unique_values, value_counts) plt.title('Client {}'.format(i)) plt.show()该段代码中如何修改实现直方图中每列数据颜色不一样

您可以按照如下方法修改代码，实现直方图中每列数据颜色不一样：

1. 导入 colormap 模块：`from matplotlib import cm`

2. 定义颜色序列：`colors = cm.rainbow(np.linspace(0, 1, row * col))`

3. 在 for 循环中，为每个子图指定一种颜色：`plt.bar(unique_values, value_counts, color=colors[i])`

修改后的代码如下：

from matplotlib import pyplot as plt
from matplotlib import cm

f = plt.figure(figsize=(12, 7))
f.suptitle('Label Counts for a Sample of Clients')

row = 2
col = 3

colors = cm.rainbow(np.linspace(0, 1, row * col))

for i in range(row * col):
    client_dataset = dataset.shuffle(buffer_size=len(train_images))
    client_dataset = dataset.batch(batch_size=10)
    example = next(iter(client_dataset))
    label = example['label'].numpy()
    unique_values, value_counts = np.unique(label, return_counts=True)
    
    plt.subplot(row, col, i + 1)
    plt.bar(unique_values, value_counts, color=colors[i])
    plt.title('Client {}'.format(i))

plt.show()