Affichage graphique en temps réel par matplotlib

surveillance

Lors du réglage des paramètres d'un modèle, vous pouvez améliorer le travail en l'affichant sur un graphique et en observant la progression de l'apprentissage en temps réel. Je présenterai le script que j'ai créé lorsque le tensorboard n'a pas pu être affiché en raison de ressources GPU insuffisantes lorsque le calcul circulait sur la machine cliente. Si vous voulez l'utiliser dans un autre script, vous pouvez l'utiliser tel quel si vous le lisez avec import realtime_plot et que realtime_plot est déclaré comme classe.

realtime_plot.py


import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

#Changer les paramètres par défaut de matplotlib
font = {'family':'monospace', 'size':'9'}
mpl.rc('font', **font)

class realtime_plot(object):
    
    def __init__(self):
        self.fig = plt.figure(figsize=(12,8))
        self.initialize()

    def initialize(self):
        self.fig.suptitle('monitoring sample', size=12)
        self.fig.subplots_adjust(left=0.05, bottom=0.1, right=0.95, top=0.90, wspace=0.2, hspace=0.6)
        self.ax00 = plt.subplot2grid((2,2),(0,0))
        self.ax10 = plt.subplot2grid((2,2),(1,0))
        self.ax01 = plt.subplot2grid((2,2),(0,1))
        self.ax11 = plt.subplot2grid((2,2),(1,1))
        self.ax00.grid(True)
        self.ax10.grid(True)
        self.ax01.grid(True)
        self.ax11.grid(True)
        self.ax00.set_title('real time result')
        self.ax10.set_title('histogram')
        self.ax01.set_title('correlation')
        self.ax11.set_title('optimized result')
        self.ax00.set_xlabel('x')
        self.ax00.set_ylabel('y')
        self.ax01.set_xlabel('correct')
        self.ax01.set_ylabel('predict')
        self.ax11.set_xlabel('correct')
        self.ax11.set_ylabel('predict')

        #Initialisation du tracé
        self.lines000, = self.ax00.plot([-1,-1],[1,1],label='y1')
        self.lines001, = self.ax00.plot([-1,-1],[1,1],label='y2')
        self.lines100 = self.ax10.hist([-1,-1],label='res1')
        self.lines101 = self.ax10.hist([-1,-1],label='res2')
        self.lines01, = self.ax01.plot([-1,-1],[1,1],'.')
        self.lines11, = self.ax11.plot([-1,-1],[1,1],'.r')
    
    #Remplacez les données requises par la valeur de sous-tracé à partir des données de type dictionnaire auxquelles le nom et la valeur de la valeur sont affectés.
    def set_data(self,data):

        self.lines000.set_data(data['x'],data['y1'])
        self.lines001.set_data(data['x'],data['y2'])
        self.ax00.set_xlim((data['x'].min(),data['x'].max()))
        self.ax00.set_ylim((-1.2,1.2))
        #Nécessaire pour corriger la légende
        self.ax00.legend(loc='upper right')

        self.lines01.set_data(data['corr'],data['pred'])
        self.ax01.set_xlim((-2,12))
        self.ax01.set_ylim((-2,12))

        #L'histogramme est défini_Comme il n'y a pas de données, elles seront recréées à chaque mise à jour.
        self.ax10.cla()
        self.ax10.set_title('histogram')
        self.ax10.grid(True)
        self.lines100 = self.ax10.hist(data['corr'],label='corr')
        self.lines101 = self.ax10.hist(data['pred'],label='pred')
        self.ax10.set_xlim((-0.5,9.5))
        self.ax10.set_ylim((0,20))
        self.ax10.legend(loc='upper right')

        #Lors de la mise à jour du titre ou du texte, la valeur avant la mise à jour reste dans la figure, donc recréez-la à chaque mise à jour.
        bbox_props = dict(boxstyle='square,pad=0.3',fc='gray')
        self.ax11.cla()
        self.ax11.grid(True)
        self.ax11.set_xlabel('correct')
        self.ax11.set_ylabel('predict')
        self.ax11.set_title('optimized result')
        self.ax11.text(-1.5,10.5,data['text'], ha='left', va='center',size=11,bbox=bbox_props)
        self.lines = self.ax11.plot(data['opt_corr'],data['opt_pred'],'.')
        self.ax11.set_xlim((-2,12))
        self.ax11.set_ylim((-2,12))
    
    def pause(self,second):
        plt.pause(second)

#Exemple d'utilisation
RP = realtime_plot()
data = {}
x = np.arange(-np.pi,np.pi,0.1)
y1 = np.sin(x)
y2 = np.cos(x)
opt_coef = 0

while True:
    x += 0.1
    y1 = np.sin(x)
    y2 = np.cos(x)
    corr = np.random.randint(0,10,20)
    pred = np.random.randint(0,10,20)
    c = np.random.normal(0,1,1)

    data['x'] = np.pi * x
    data['y1'] = y1
    data['y2'] = y2
    data['corr'] = corr 
    data['pred'] = pred
    coef = np.corrcoef(c*corr,pred)[0,1]

    if abs(coef) > abs(opt_coef):
        data['opt_corr'] = corr
        data['opt_pred'] = pred
        data['text'] = 'c = ' + str(c[0])
        opt_coef = coef

    RP.set_data(data)
    RP.pause(0.1)

échantillon

figure_1.png

référence

Recommended Posts

Affichage graphique en temps réel par matplotlib
Album graphique matplotlib
Installer matplotlib et afficher le graphique dans Jupyter Notebook
Dessin graphique avec matplotlib
Graphique de bande avec matplotlib
Dessin en temps réel avec matplotlib
[Calcul scientifique / technique par Python] Graphique logistique, visualisation, matplotlib
[Calcul scientifique / technique par Python] Graphique de coordonnées polaires, visualisation, matplotlib
Afficher le graphique lors de la modification des paramètres avec PySimpleGUI + Matplotlib
pandas Matplotlib Résumé par utilisation
Graphique des données Excel avec matplotlib (1)
uname option-signification par ordre d'affichage-
Affichage japonais de matplotlib, seaborn
Méthode de dessin graphique avec matplotlib
Graphique des données Excel avec matplotlib (2)
Affichage des inférences et des résultats avec Tensorflow + matplotlib
matplotlib: insérer un commentaire dans le graphique de l'axe des temps
Dessinez un graphique lâche avec matplotlib
Dessiner un graphique du taux de rétention avec Matplotlib
Jupyter n'affiche pas le graphique matplotlib
matplotlib Affichage de l'échelle du journal et affichage de la grille
Créer une application graphique par Kivy (y compris matplotlib)