caffe的python接口学习（7）：绘制loss和accuracy曲线
原文链接：http://www.cnblogs.com/denny402/p/5686067.html
使用python接口来运行caffe程序，主要的原因是python非常容易可视化。所以不推荐大家在命令行下面运行python程序。如果非要在命令行下面运行，还不如直接用 c++算了。
推荐使用jupyter notebook，spyder等工具来运行python代码，这样才和它的可视化完美结合起来。
因为我是用anaconda来安装一系列python第三方库的，所以我使用的是spyder,与matlab界面类似的一款编辑器，在运行过程中，可以查看各变量的值，便于理解，如下图：
只要安装了anaconda，运行方式也非常方便，直接在终端输入spyder命令就可以了。
在caffe的训练过程中，我们如果想知道某个阶段的loss值和accuracy值，并用图表画出来，用python接口就对了。
# -*- coding: utf-8 -*- """ Created on Tue Jul 19 16:22:22 2016 @author: root """
from numpy import * import sys
sys.path.indert(0,'/home/xxx/caffe/python') import matplotlib.pyplot as plt import caffe caffe.set_device(0) caffe.set_mode_gpu() # 使用SGDSolver，即随机梯度下降算法 solver = caffe.SGDSolver('./mnist/solver.prototxt') # 等价于solver文件中的max_iter，即最大解算次数 niter = 9380 # 每隔100次收集一次数据 display= 100 # 每次测试进行100次解算，10000/100 test_iter = 100 # 每500次训练进行一次测试（100次解算），60000/64 test_interval =938 #初始化 train_loss = zeros(ceil(niter * 1.0 / display)) test_loss = zeros(ceil(niter * 1.0 / test_interval)) test_acc = zeros(ceil(niter * 1.0 / test_interval)) # iteration 0，不计入 solver.step(1) # 辅助变量 _train_loss = 0; _test_loss = 0; _accuracy = 0 # 进行解算 for it in range(niter): # 进行一次解算 solver.step(1) # 每迭代一次，训练batch_size张图片 _train_loss += solver.net.blobs['loss'].data if it % display == 0: # 计算平均train loss train_loss[it // display] = _train_loss / display _train_loss = 0 if it % test_interval == 0: for test_it in range(test_iter): # 进行一次测试 solver.test_nets[0].forward() # 计算test loss _test_loss += solver.test_nets[0].blobs['loss'].data # 计算test accuracy _accuracy += solver.test_nets[0].blobs['accuracy'].data # 计算平均test loss test_loss[it / test_interval] = _test_loss / test_iter # 计算平均test accuracy test_acc[it / test_interval] = _accuracy / test_iter _test_loss = 0 _accuracy = 0 # 绘制train loss、test loss和accuracy曲线 print '\nplot the train loss and test accuracy\n' _, ax1 = plt.subplots() ax2 = ax1.twinx() # train loss -> 绿色 ax1.plot(display * arange(train_loss.size), train_loss, 'g') # test loss -> 黄色 ax1.plot(test_interval * arange(test_loss.size), test_loss, 'y') # test accuracy -> 红色 ax2.plot(test_interval * arange(test_acc.size), test_acc, 'r') ax1.set_xlabel('iteration') ax1.set_ylabel('loss') ax2.set_ylabel('accuracy') plt.show()
最后生成的图表在上图中已经显示出来了。
补充说明1：
ubuntu中使用pycharm IDE，导入matplotlib库。竟然无法显示出图片。。。
代码如下：
解决方法是：
首先import pylab，然后在需要显示图片的代码下一行加上pylab.show()
这种方法可以显示图片，但是不关掉这个图片窗口，代码就不会继续运行下去，暂时还没有找到更合适的方法。
补充说明2：
matplotlib绘图实例：pyplot、pylab模块及作图参数
原文链接：http://blog.csdn.net/pipisorry/article/details/40005163
Matplotlib.pyplot绘图实例
{使用pyplot模块}
matplotlib绘制直线、条形/矩形区域
import numpy as np import matplotlib.pyplot as plt t = np.arange(-1, 2, .01) s = np.sin(2 * np.pi * t) plt.plot(t,s) # draw a thick red hline at y=0 that spans the xrange l = plt.axhline(linewidth=4, color='r') plt.axis([-1, 2, -1, 2]) plt.show() plt.close() # draw a default hline at y=1 that spans the xrange plt.plot(t,s) l = plt.axhline(y=1, color='b') plt.axis([-1, 2, -1, 2]) plt.show() plt.close() # draw a thick blue vline at x=0 that spans the upper quadrant of the yrange plt.plot(t,s) l = plt.axvline(x=0, ymin=0, linewidth=4, color='b') plt.axis([-1, 2, -1, 2]) plt.show() plt.close() # draw a default hline at y=.5 that spans the the middle half of the axes plt.plot(t,s) l = plt.axhline(y=.5, xmin=0.25, xmax=0.75) plt.axis([-1, 2, -1, 2]) plt.show() plt.close() plt.plot(t,s) p = plt.axhspan(0.25, 0.75, facecolor='0.5', alpha=0.5) p = plt.axvspan(1.25, 1.55, facecolor='g', alpha=0.5) plt.axis([-1, 2, -1, 2]) plt.show()效果图展示
Note: 设置直线对应位置的值显示：plt.text(max_x, 0, str(round(max_x, 2)))，也就是直接在指定坐标写文字，不知道有没有其它方法？
[matplotlib.pyplot.axhline]
另一种绘制直线的方式
plt.hlines(hline, xmin=plt.gca().get_xlim()[0], xmax=plt.gca().get_xlim()[1], linestyles=line_style, colors=color)
直方图
plt.hist(songs_plays, bins=50,range=(0, 50000), color='lightblue',normed=True)
Note: normed是将y坐标按比例绘图，而不是数目。
hist转换成plot折线图
plt.hist直接绘制数据是hist图
plt.hist(z, bins=500, normed=True)hist图转换成折线图
cnts, bins = np.histogram(z, bins=500, normed=True) bins = (bins[:-1] + bins[1:]) / 2 plt.plot(bins, cnts)
[ numpy教程 - 统计函数 :histogram]
散点图、梯形图、柱状图、填充图
散列图scatter()
使用plot()绘图时，如果指定样式参数为仅绘制数据点，那么所绘制的就是一幅散列图。但是这种方法所绘制的点无法单独指定颜色和大小。
scatter()所绘制的散列图却可以指定每个点的颜色和大小。
scatter()的前两个参数是数组，分别指定每个点的X轴和Y轴的坐标。
s参数指定点的大 小，值和点的面积成正比。它可以是一个数，指定所有点的大小；也可以是数组，分别对每个点指定大小。
c参数指定每个点的颜色，可以是数值或数组。这里使用一维数组为每个点指定了一个数值。通过颜色映射表，每个数值都会与一个颜色相对应。默认的颜色映射表中蓝色与最小值对应，红色与最大值对应。当c参数是形状为(N,3)或(N,4)的二维数组时，则直接表示每个点的RGB颜色。
marker参数设置点的形状，可以是个表示形状的字符串，也可以是表示多边形的两个元素的元组，第一个元素表示多边形的边数，第二个元素表示多边形的样式，取值范围为0、1、2、3。0表示多边形，1表示星形，2表示放射形，3表示忽略边数而显示为圆形。
alpha参数设置点的透明度。
lw参数设置线宽，lw是line width的缩写。
facecolors参数为“none”时，表示散列点没有填充色。
柱状图bar()
用每根柱子的长度表示值的大小，它们通常用来比较两组或多组值。
bar()的第一个参数为每根柱子左边缘的横坐标;第二个参数为每根柱子的高度;第三个参数指定所有柱子的宽度,当第三个参数为序列时，可以为每根柱子指定宽度。bar()不自动修改颜色。
n = np.array([0,1,2,3,4,5]) x = np.linspace(-0.75, 1., 100) fig, axes = plt.subplots(1, 4, figsize=(12,3)) axes[0].scatter(x, x + 0.25*np.random.randn(len(x))) axes[1].step(n, n**2, lw=2) axes[2].bar(n, n**2, align="center", width=0.5, alpha=0.5) axes[3].fill_between(x, x**2, x**3, color="green", alpha=0.5);
Note: axes子图设置title: axes.set_title("bar plot")
散点图（改变颜色，大小）
import numpy as np import matplotlib.pyplot as plt
N = 50
x = np.random.rand(N)
y = np.random.rand(N)
area = np.pi * (15 * np.random.rand(N))**2 # 0 to 15 point radiuses
color = 2 * np.pi * np.random.rand(N)
plt.scatter(x, y, s=area, c=color, alpha=0.5, cmap=plt.cm.hsv)
plt.show()
matplotlib绘制散点图给点加上注释
plt.scatter(data_arr[:, 0], data_arr[:, 1], c=class_labels)
for i, class_label in enumerate(class_labels):
plt.annotate(class_label, (data_arr[:, 0][i], data_arr[:, 1][i]))
[ matplotlib scatter plot with different text at each data point
]
[matplotlib.pyplot.scatter]
对数坐标图
plot()所绘制图表的X-Y轴坐标都是算术坐标。
绘制对数坐标图的函数有三个：semilogx()、semilogy()和loglog(),它们分别绘制X轴为对数坐标、Y轴为对数坐标以及两个轴都为对数坐标时的图表。
下面的程序使用4种不同的坐标系绘制低通滤波器的频率响应曲线。
其中，左上图为plot()绘制的算术坐标系，右上图为semilogx()绘制的X轴对数坐标系，左下图 为semilogy()绘制的Y轴对数坐标系，右下图为loglog()绘制的双对数坐标系。使用双对数坐标系表示的频率响应曲线通常被称为波特图。
import numpy as np
import matplotlib.pyplot as plt
w = np.linspace(0.1, 1000, 1000)
p = np.abs(1/(1+0.1j*w)) # 计算低通滤波器的频率响应
plt.subplot(221)
plt.plot(w, p, linewidth=2)
plt.ylim(0,1.5)
plt.subplot(222)
plt.semilogx(w, p, linewidth=2)
plt.ylim(0,1.5)
plt.subplot(223)
plt.semilogy(w, p, linewidth=2)
plt.ylim(0,1.5)
plt.subplot(224)
plt.loglog(w, p, linewidth=2)
plt.ylim(0,1.5)
plt.show()
极坐标图
极坐标系是和笛卡尔(X-Y)坐标系完全不同的坐标系，极坐标系中的点由一个夹角和一段相对中心点的距离来表示。polar(theta, r, **kwargs)
可以polar()直接创建极坐标子图并在其中绘制曲线。也可以使用程序中调用subplot()创建子图时通过设 polar参数为True,创建一个极坐标子图，然后调用plot()在极坐标子图中绘图。
示例1
fig = plt.figure()
ax = fig.add_axes([0.0, 0.0, .6, .6], polar=True)
t = linspace(0, 2 * pi, 100)
ax.plot(t, t, color='blue', lw=3);
示例2
import numpy as np
import matplotlib.pyplot as plt
theta = np.arange(0, 2*np.pi, 0.02)
plt.subplot(121, polar=True)
plt.plot(theta, 1.6*np.ones_like(theta), linewidth=2) #绘制同心圆
plt.plot(3*theta, theta/3, "--", linewidth=2)
plt.subplot(122, polar=True)
plt.plot(theta, 1.4*np.cos(5*theta), "--", linewidth=2)
plt.plot(theta, 1.8*np.cos(4*theta), linewidth=2)
plt.rgrids(np.arange(0.5, 2, 0.5), angle=45)
plt.thetagrids([0, 45])
plt.show()
Note:rgrids()设置同心圆栅格的半径大小和文字标注的角度。因此右图中的虚线圆圈有三个， 半径分别为0.5、1.0和1.5,这些文字沿着45°线排列。
Thetagrids()设置放射线栅格的角度， 因此右图中只有两条放射线，角度分别为0°和45°。
[matplotlib.pyplot.polar(*args, **kwargs)]
等值线图
使用等值线图表示二元函数z=f(x,y)
所谓等值线，是指由函数值相等的各点连成的平滑曲线。等值线可以直观地表示二元函数值的变化趋势，例如等值线密集的地方表示函数值在此处的变化较大。
matplotlib中可以使用contour()和contourf()描绘等值线，它们的区别是：contourf()所得到的是带填充效果的等值线。
import numpy as np
import matplotlib.pyplot as plt
y, x = np.ogrid[-2:2:200j, -3:3:300j]
z = x * np.exp( - x**2 - y**2)
extent = [np.min(x), np.max(x), np.min(y), np.max(y)]
plt.figure(figsize=(10,4))
plt.subplot(121)
cs = plt.contour(z, 10, extent=extent)
plt.clabel(cs)
plt.subplot(122)
plt.contourf(x.reshape(-1), y.reshape(-1), z, 20)
plt.show()
为了更淸楚地区分X轴和Y轴，这里让它们的取值范围和等分次数均不相同.这样得 到的数组z的形状为(200, 300),它的第0轴对应Y轴、第1轴对应X轴。
调用contour()绘制数组z的等值线图，第二个参数为10,表示将整个函数的取值范围等分为10个区间,即显示的等值线图中将有9条等值线。可以使用extent参数指定等值线图的X轴和Y轴的数据范围。
contour()所返回的是一个QuadContourSet对象， 将它传递给clabel(),为其中的等值线标上对应的值。
调用contourf(),绘制将取值范围等分为20份、带填充效果的等值线图。这里演示了另外一种设置X、Y轴取值范围的方法，它的前两个参数分别是计算数组z时所使用的X轴和Y轴上的取样点,这两个数组必须是一维的。
使用等值线绘制隐函数f(x,y)=0曲线
显然，无法像绘制一般函数那样，先创建一个等差数组表示变量的取值点，然后计算出数组中每个x所对应的y值。
可以使用等值线解决这个问题，显然隐函数的曲线就是值等于0的那条等值线。
程序绘制函数在f(x,y)=0和 f(x,y)-0.1 = 0时的曲线。
import numpy as np
import matplotlib.pyplot as plt
y, x = np.ogrid[-1.5:1.5:200j, -1.5:1.5:200j]
f = (x**2 + y**2)**4 - (x**2 - y**2)**2
plt.figure(figsize=(9,4))
plt.subplot(121)
extent = [np.min(x), np.max(x), np.min(y), np.max(y)]
cs = plt.contour(f, extent=extent, levels=[0, 0.1], colors=["b", "r"], linestyles=["solid", "dashed"], linewidths=[2, 2])
plt.subplot(122)
for c in cs.collections:
data = c.get_paths()[0].vertices
plt.plot(data[:,0], data[:,1], color=c.get_color()[0], linewidth=c.get_linewidth()[0])
plt.show()
contour() levels参数指定所绘制等值线对应的函数值，这里设置levels参数为[0，0.1],因此最终将绘制两条等值线。
观察图会发现，表示隐函数f(x)=0蓝色实线并不是完全连续的，在图的中间部分它由许多孤立的小段构成。因为等值线在原点附近无限靠近，因此无论对函数f的取值空间如何进行细分，总是会有无法分开的地方，最终造成了图中的那些孤立的细小区域。
而表示隐函数f(x,y)=0的红色虚线则是闭合且连续的。
contour()返回对象QuadContourSet
可以通过contour()返回对象获得等值线上每点的数据，下面我们在IPython中观察变量cs,它是一个 QuadContourSet 对象：
cs对象的collections属性是一个等值线列表，每条等值线用一个LineCollection对象表示：
>>> cs.collections
每个LineCollection对象都有它自己的颜色、线型、线宽等属性，注意这些属性所获得的结果外面还有一层封装，要获得其第0个元素才是真正的配置：
>>> c0.get_color()[0]
array([ 0., 0., 1., 1.])
>>> c0.get_linewidth()[0]
2
由类名可知，LineCollection对象是一组曲线的集合，因此它可以表示像蓝色实线那样由多条线构成的等值线。它的get_paths()方法获得构成等值线的所有路径，本例中蓝色实线
所表示的等值线由42条路径构成：
>>> len(cs.collections[0].get_paths())
42
路径是一个Path对象，通过它的vertices属性可以获得路径上所有点的坐标:
>>> path = cs.collections[0].get_paths()[0]
>>> type(path)
>>> path.vertices
array([[-0.08291457, -0.98938936],
[-0.09039269, -0.98743719],
…,
[-0.08291457, -0.98938936]])
上面的程序plt.subplot(122)就是从等值线集合cs中找到表示等值线的路径，并使用plot()将其绘制出来。
皮皮blog
Matplotlib.pylab绘图实例
{使用pylab模块}
matplotlib还提供了一个名为pylab的模块，其中包括了许多NumPy和pyplot模块中常用的函数，方便用户快速进行计算和绘图，十分适合在IPython交互式环境中使用。这里使用下面的方式载入pylab模块：
>>> import pylab as plNote :import pyplot as plt也同样可以
两种常用图类型
Line and scatter plots(使用plot()命令), histogram(使用hist()命令)
1 折线图&散点图 Line and scatter plots
折线图 Line plots(关联一组x和y值的直线)
import numpy as np
import pylab as pl
x = [1, 2, 3, 4, 5]# Make an array of x values
y = [1, 4, 9, 16, 25]# Make an array of y values for each x value
pl.plot(x, y)# use pylab to plot x and y
pl.show()# show the plot on the screen
plot(x, y) # plot x and y using default line style and color plot(x, y, 'bo') # plot x and y using blue circle markers plot(y) # plot y using x as index array 0..N-1 plot(y, 'r+') # ditto, but with red plusses
plt.plot(ks, wssses, marker='*', markerfacecolor='r', linestyle='-', color='b')
散点图 Scatter plots
把pl.plot(x, y)改成pl.plot(x, y, 'o')
美化 Making things look pretty
线条颜色 Changing the line color
红色：把pl.plot(x, y, 'o')改成pl.plot(x, y, ’or’)
线条样式 Changing the line style
虚线:plot(x,y, '--')
marker样式 Changing the marker style
蓝色星型markers：plot(x,y, ’b*’)
具体见附录 - matplotlib中的作图参数
图和轴标题以及轴坐标限度 Plot and axis titles and limits
import numpy as np
import pylab as pl
x = [1, 2, 3, 4, 5]# Make an array of x values
y = [1, 4, 9, 16, 25]# Make an array of y values for each x value
pl.plot(x, y)# use pylab to plot x and y
pl.title(’Plot of y vs. x’)# give plot a title
pl.xlabel(’x axis’)# make axis labels
pl.ylabel(’y axis’)
pl.xlim(0.0, 7.0)# set axis limits
pl.ylim(0.0, 30.)
pl.show()# show the plot on the screen
一个坐标系上绘制多个图 Plotting more than one plot on the same set of axes
依次作图即可
import numpy as np
import pylab as pl
x1 = [1, 2, 3, 4, 5]# Make x, y arrays for each graph
y1 = [1, 4, 9, 16, 25]
x2 = [1, 2, 4, 6, 8]
y2 = [2, 4, 8, 12, 16]
pl.plot(x1, y1, ’r’)# use pylab to plot x and y
pl.plot(x2, y2, ’g’)
pl.title(’Plot of y vs. x’)# give plot a title
pl.xlabel(’x axis’)# make axis labels
pl.ylabel(’y axis’)
pl.xlim(0.0, 9.0)# set axis limits
pl.ylim(0.0, 30.)
pl.show()# show the plot on the screen
图例 Figure legends
pl.legend((plot1, plot2), (’label1, label2’),loc='best’, numpoints=1)
第三个参数loc=表示图例放置的位置:'best’‘upper right’, ‘upper left’, ‘center’, ‘lower left’, ‘lower right’.
如果在当前figure里plot的时候已经指定了label，如plt.plot(x,z,label=" cos(x2) ")，直接调用plt.legend()就可以了。
import numpy as np
import pylab as pl
x1 = [1, 2, 3, 4, 5]# Make x, y arrays for each graph
y1 = [1, 4, 9, 16, 25]
x2 = [1, 2, 4, 6, 8]
y2 = [2, 4, 8, 12, 16]
plot1 = pl.plot(x1, y1, ’r’)# use pylab to plot x and y : Give your plots names
plot2 = pl.plot(x2, y2, ’go’)
pl.title(’Plot of y vs. x’)# give plot a title
pl.xlabel(’x axis’)# make axis labels
pl.ylabel(’y axis’)
pl.xlim(0.0, 9.0)# set axis limits
pl.ylim(0.0, 30.)
pl.legend([plot1, plot2], (’red line’, ’green circles’), ’best’, numpoints=1)# make legend
pl.show()# show the plot on the screen
2 直方图 Histograms
import numpy as np
import pylab as pl
# make an array of random numbers with a gaussian distribution with
# mean = 5.0
# rms = 3.0
# number of points = 1000
data = np.random.normal(5.0, 3.0, 1000)
# make a histogram of the data array
pl.hist(data)
# make plot labels
pl.xlabel(’data’)
pl.show()
如果不想要黑色轮廓可以改为pl.hist(data, histtype=’stepfilled’)
自定义直方图bin宽度 Setting the width of the histogram bins manually
增加两行
bins = np.arange(-5., 16., 1.) #浮点数版本的range
pl.hist(data, bins, histtype=’stepfilled’)
同一画板上绘制多幅子图 Plotting more than one axis per canvas
如果需要同时绘制多幅图表的话，可以是给figure传递一个整数参数指定图标的序号，如果所指定
序号的绘图对象已经存在的话，将不创建新的对象，而只是让它成为当前绘图对象。
fig1 = pl.figure(1)
pl.subplot(211)
subplot(211)把绘图区域等分为2行*1列共两个区域, 然后在区域1(上区域)中创建一个轴对象. pl.subplot(212)在区域2(下区域)创建一个轴对象。
You can play around with plotting a variety of layouts. For example, Fig. 11 is created using the following commands:
f1 = pl.figure(1)
pl.subplot(221)
pl.subplot(222)
pl.subplot(212)
当绘图对象中有多个轴的时候，可以通过工具栏中的Configure Subplots按钮，交互式地调节轴之间的间距和轴与边框之间的距离。如果希望在程序中调节的话，可以调用subplots_adjust函数，它有left, right, bottom, top, wspace, hspace等几个关键字参数，这些参数的值都是0到1之间的小数，它们是以绘图区域的宽高为1进行正规化之后的坐标或者长度。
pl.subplots_adjust(left=0.08, right=0.95, wspace=0.25, hspace=0.45)
皮皮blog
绘制圆形Circle和椭圆Ellipse
1. 调用包函数
参见Matplotlib.pdf Release 1.3.1文档
p187
18.7 Ellipses (see arc)
p631class matplotlib.patches.Ellipse(xy, width, height, angle=0.0, **kwargs)Bases: matplotlib.patches.PatchA scale-free ellipse.xy center of ellipsewidth total length (diameter) of horizontal axisheight total length (diameter) of vertical axisangle rotation in degrees (anti-clockwise)p626class matplotlib.patches.Circle(xy, radius=5, **kwargs)
或者参见Matplotlib.pdf Release 1.3.1文档contour绘制圆
p478
Axes3D. contour (X, Y, Z, *args, **kwargs)
Create a 3D contour plot.
Argument Description
X, Y, Data values as numpy.arrays
Z
extend3d
stride
zdir
offset
Whether to extend contour in 3D (default: False)
Stride (step size) for extending contour
The direction to use: x, y or z (default)
If specified plot a projection of the contour lines on this position in plane normal to zdir
The positional and other
p1025
matplotlib.pyplot.axis(*v, **kwargs)Convenience method to get or set axis properties.
或者参见demo【pylab_examples example code: ellipse_demo.py】
2. 直接绘制
[http://www.zhihu.com/question/25273956/answer/30466961?group_id=897309766#comment-61590570]
皮皮blog
绘图小技巧
控制坐标轴的显示——使x轴显示名称字符串而不是数字的两种方法
plt.xticks(range(len(list)), x, rotation='vertical')
Note:x代表一个字符串列表，如x轴上要显示的名称。
axes.set_xticklabels(x, rotation='horizontal', lod=True)
Note:这里axes是plot的一个subplot()
[控制坐标轴的显示——set_xticklabels]
获取x轴上坐标最小最大值
xmin， xmax = plt.gca().get_xlim()
在指定坐标写文字
plt.text(max_x, 0, str(round(max_x, 2)))
其他进阶[matplotlib绘图进阶]
皮皮blog
附录 - matplotlib中的作图参数
a set of tables that show main properties and styles
在IPython中输入 "plt.plot?" 可以查看格式化字符串的详细配置。
plot(x, y, color='green', linestyle='dashed', marker='o', markerfacecolor='blue', markersize=12).
颜色（color 简写为 c）：
- 蓝色： 'b' (blue)
- 绿色： 'g' (green)
- 红色： 'r' (red)
- 蓝绿色(墨绿色)： 'c' (cyan)
- 红紫色(洋红)： 'm' (magenta)
- 黄色： 'y' (yellow)
- 黑色： 'k' (black)
- 白色： 'w' (white)
- 灰度表示： e.g. 0.75 ([0,1]内任意浮点数)
- RGB表示法： e.g. '#2F4F4F' 或 (0.18, 0.31, 0.31)
- 任意合法的html中的颜色表示： e.g. 'red', 'darkslategray'
遍历使用颜色：colors = plt.cm.Spectral(np.linspace(0, 1, len(unique_labels)))
[Colormaps]
线属性Line properties
| Property | Description | Appearance |
|---|---|---|
| alpha (or a) | alpha transparency on 0-1 scale | |
| antialiased | True or False - use antialised rendering | |
| color (or c) | matplotlib color arg | |
| linestyle (or ls) | see Line properties | |
| linewidth (or lw) | float, the line width in points | |
| solid_capstyle | Cap style for solid lines | |
| solid_joinstyle | Join style for solid lines | |
| dash_capstyle | Cap style for dashes | |
| dash_joinstyle | Join style for dashes | |
| marker | see Markers | |
| markeredgewidth (mew) | line width around the marker symbol | |
| markeredgecolor (mec) | edge color if a marker is used | |
| markerfacecolor (mfc) | face color if a marker is used | |
| markersize (ms) | size of the marker in points |
线型Line styles（简写为 ls）：
- 实线： '-'
- 虚线： '--'
- 虚点线： '-.'
- 点线： ':'
- 点： '.'
| Symbol | Description | Appearance |
|---|---|---|
| - | solid line | |
| -- | dashed line | |
| -. | dash-dot line | |
| : | dotted line | |
| . | points | |
| , | pixels | |
| o | circle | |
| ^ | triangle up | |
| v | triangle down | |
| < | triangle left | |
| > | triangle right | |
| s | square | |
| + | plus | |
| x | cross | |
| D | diamond | |
| d | thin diamond | |
| 1 | tripod down | |
| 2 | tripod up | |
| 3 | tripod left | |
| 4 | tripod right | |
| h | hexagon | |
| H | rotated hexagon | |
| p | pentagon | |
| | | vertical line | |
| _ | horizontal line |
点型Markers（标记）：
- 像素： ','
- 圆形： 'o'
- 上三角： '^'
- 下三角： 'v'
- 左三角： '<'
- 右三角： '>'
- 方形： 's'
- 加号： '+'
- 叉形： 'x'
- 棱形： 'D'
- 细棱形： 'd'
- 三脚架朝下： '1'（就是丫）
- 三脚架朝上： '2'
- 三脚架朝左： '3'
- 三脚架朝右： '4'
- 六角形： 'h'
- 旋转六角形： 'H'
- 五角形： 'p'
- 垂直线： '|'
- 水平线： '_'
- gnuplot 中的steps： 'steps' （只能用于kwarg中）
| Symbol | Description | Appearance |
|---|---|---|
| 0 | tick left | |
| 1 | tick right | |
| 2 | tick up | |
| 3 | tick down | |
| 4 | caret left | |
| 5 | caret right | |
| 6 | caret up | |
| 7 | caret down | |
| o | circle | |
| D | diamond | |
| h | hexagon 1 | |
| H | hexagon 2 | |
| _ | horizontal line | |
| 1 | tripod down | |
| 2 | tripod up | |
| 3 | tripod left | |
| 4 | tripod right | |
| 8 | octagon | |
| p | pentagon | |
| ^ | triangle up | |
| v | triangle down | |
| < | triangle left | |
| > | triangle right | |
| d | thin diamond | |
| , | pixel | |
| + | plus | |
| . | point | |
| s | square | |
| * | star | |
| | | vertical line | |
| x | cross | |
| r'$\sqrt{2}$' | any latex expression |
标记大小（markersize 简写为 ms）：
- markersize： 实数
标记边缘宽度（markeredgewidth 简写为 mew）：
- markeredgewidth：实数
标记边缘颜色（markeredgecolor 简写为 mec）：
- markeredgecolor：颜色选项中的任意值
标记表面颜色（markerfacecolor 简写为 mfc）：
- markerfacecolor：颜色选项中的任意值
透明度（alpha）：
- alpha： [0,1]之间的浮点数
线宽（linewidth）：
- linewidth： 实数
[matplotlib中的作图参数]
from:http://blog.csdn.net/pipisorry/article/details/40005163
ref:matplotlib Plotting commands summary*
matplotlib下载及API手册地址
Screenshots:example figures
Gallery:Click on any image to see full size image and source code
用Python做科学计算-基础篇——matplotlib-绘制精美的图表
Matplotlib 教程
matplotlib绘图手册 /subplot
matplotlib画等高线的问题
matplotlib - 2D and 3D plotting in Python
matplotlib绘图库入门绘制精美的图表
使用 python Matplotlib 库绘图
barChart:http://www.cnblogs.com/qianlifeng/archive/2012/02/13/2350086.html
matplotlib--python绘制图表 | PIL--python图像处理
魔法(Magic)命令 %magic - % matplotlib inline
Gnuplot的介绍
- Gnuplot简介
- IBM:gnuplot 让您的数据可视化,Linux 上的数据可视化工具
- 利用Python绘制论文图片: Gnuplot,pylab
matplotlib技巧集(绘制不连续函数的不连续点；参数曲线上绘制方向箭头；修改缺省刻度数目；Y轴不同区间使用不同颜色填充的曲线区域。)
Python:使用matp绘制不连续函数的不连续点；参数曲线上绘制方向箭头；修改缺省刻度数目；Y轴不同区间使用不同颜色填充的曲线区域。lotlib绘制图表
matplotlib图表中图例大小及字体相关问题