PyTorch与matplotlib结合：多图拼接与子图显示实战

本文主要介绍了如何使用PyTorch和matplotlib库将多张图像拼接成一张图像，并且探讨了在matplotlib中使用subplot和subplots的区别。以FashionMNIST数据集为例，展示了两种紧凑画出子图的方法。 在PyTorch中紧凑画出子图： 1. 在一行里画出多张图像和对应标签 为了在一个行中展示多张FashionMNIST图像及其对应的标签，可以使用matplotlib的`pyplot`模块。以下是一段示例代码： ```python import matplotlib.pyplot as plt import numpy as np import torchvision import torchvision.transforms as transforms mnist_train = torchvision.datasets.FashionMNIST(root='./data', train=True, download=True, transform=transforms.ToTensor()) mnist_test = torchvision.datasets.FashionMNIST(root='./data', train=False, download=True, transform=transforms.ToTensor()) # 其他辅助函数略... ``` 代码中首先导入了必要的库并加载了FashionMNIST数据集。接下来，可以编写一个函数来绘制图像和标签，比如`show_fashion_mnist`，这个函数会使用`plt.imshow`将每张图像转换为合适的格式并显示。 2. 以矩阵的形式展示多张图片 除了在一行中展示图像，还可以选择以矩阵形式展示。这可以通过调整`plt.subplot`参数实现，例如设置行列数来组织图像。代码示例如下： ```python num_rows, num_cols = 2, 3 fig, axes = plt.subplots(num_rows, num_cols, figsize=(6, 3)) for i in range(num_rows): for j in range(num_cols): img, label = mnist_train[i * num_cols + j][0], mnist_train[i * num_cols + j][1] axes[i, j].imshow(img.squeeze(), cmap='gray') axes[i, j].set_title(get_fashion_mnist_labels([label])[0]) axes[i, j].axis('off') plt.tight_layout() plt.show() ``` 这里使用`subplots`创建了一个包含2行3列的图像网格，然后遍历数据集中的部分样本，将它们显示在对应的子图上。 在matplotlib中紧凑画出子图： 1. 区分`subplot`和`subplots` `subplot`是创建单个子图的函数，而`subplots`则用于创建多个子图的网格。`subplot`通过参数指定子图的位置，如`subplot(2, 3, 1)`表示创建2行3列中的第一个子图。`subplots`则返回一个figure对象和一个axes数组，可以更方便地处理多子图布局。 2. 示例代码和效果展示 使用`subplots`的代码如下： ```python fig, axes = plt.subplots(2, 3, sharex=True, sharey=True, figsize=(6, 3)) for i in range(2): for j in range(3): img, label = mnist_train[i * 3 + j][0], mnist_train[i * 3 + j][1] axes[i, j].imshow(img.squeeze(), cmap='gray') axes[i, j].set_title(get_fashion_mnist_labels([label])[0]) axes[i, j].axis('off') plt.tight_layout() plt.show() ``` 这段代码创建了一个2行3列的子图网格，所有子图都共享x轴和y轴，使得图像对齐更整齐。`tight_layout`函数用来自动调整子图间的间距，以避免重叠。 通过上述方法，我们可以有效地将多张图像拼接在一起展示，无论是单行多列还是矩阵形式，都能清晰地呈现FashionMNIST数据集中的图像，并且可以利用matplotlib的`subplot`和`subplots`功能进行灵活布局。