智慧团建登录入口官方网站,盘锦做网站的公司,商城网站前置审批,网页设计作业心得体会t-SNE#xff1a;高维数据分布可视化
实例1#xff1a;自动生成一个S形状的三维曲线
实例1结果#xff1a; 实例1完整代码#xff1a;
import matplotlib.pyplot as plt
from sklearn import manifold, datasets
对S型曲线数据的降维和可视化高维数据分布可视化
实例1自动生成一个S形状的三维曲线
实例1结果 实例1完整代码
import matplotlib.pyplot as plt
from sklearn import manifold, datasets
对S型曲线数据的降维和可视化x, color datasets.make_s_curve(n_samples1000, random_state0) # 生成一个S形状的三维曲线以及相应的颜色数据,数据点的数量为1000个,随机数种子是0,color是[1000,1]的一维数据,对应每个点的颜色
n_neighbors 10
n_components 2 #n_neighbors和n_components分别表示t-SNE算法中的近邻数和降维后的维度数fig plt.figure(figsize(15, 15)) #图像的宽和高
plt.suptitle(Dimensionality Reduction and Visualization of S-Curve Data , fontsize14) #自定义图像名称# 绘制S型曲线的3D图像
ax fig.add_subplot(211, projection3d) #分为2行1列的子图布局选择第1个子图投影方式为3D
ax.scatter(x[:, 0], x[:, 1], x[:, 2], ccolor, cmapplt.cm.Spectral) #x[:, 0], x[:, 1], x[:, 2]代表x,y,z 绘制散点图Spectral colormap将不同的颜色映射到数据集的不同标签上
ax.set_title(Original S-Curve, fontsize14)
ax.view_init(4, -72) # 将视角设置为仰角4度方位角-72度# t-SNE的降维与可视化
ts manifold.TSNE(n_componentsn_components,perplexity30) #将原始数据降低到n_components维度perplexity30表示t-SNE算法的困惑度参数设置为30。
# 训练模型
y ts.fit_transform(x)
ax1 fig.add_subplot(2, 1, 2) ##分为2行1列的子图布局选择第2个子图
plt.scatter(y[:, 0], y[:, 1], ccolor, cmapplt.cm.Spectral)
ax1.set_title(t-SNE Curve, fontsize14)
plt.show() 实例2手写数字
实例2结果 这个由于数据量太多呈现的效果不是很明显
实例2完整代码
from sklearn import preprocessing
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt
import torchvisiontraindata torchvision.datasets.MNIST(root./t-SNE_dataset/, trainTrue, downloadTrue)
testdata torchvision.datasets.MNIST(root./t-SNE_dataset/, trainFalse, downloadTrue)X_train traindata.data #[60000, 28, 28]
y_train traindata.targets #[60000]
X_test testdata.data #[10000, 28, 28]
y_test testdata.targets #[10000]X_train X_train.view(len(X_train), -1) #[样本数量, 特征维度]-1是根据原来的形状自动计算出新的维度大小以保证总的元素个数不变这里是28*28
X_test X_test.view(len(X_test), -1)# t-SNE降维处理
tsne TSNE(n_components3, verbose1 ,random_state42) #n_components3表示降维后的维度为3即将图像数据降低到三维verbose1表示打印详细的日志信息random_state42表示设置随机种子以保证可重复性。
train tsne.fit_transform(X_train)
test tsne.transform(X_test) # 注意使用已经训练好的t-SNE对象对验证集进行降维不再fit_transform# 归一化处理
scaler preprocessing.MinMaxScaler(feature_range(-1,1))
train scaler.fit_transform(train)
test scaler.transform(test) # 对验证集进行归一化处理使用训练集的scaler对象进行transformfig plt.figure(figsize(20, 20))
ax fig.add_subplot(projection3d) #创建一个三维坐标轴并将它添加到图像窗口中
ax.set_title(t-SNE process)
ax.scatter(train[:,0], train[:,1], train[:,2] , cy_train, markero, labelTrain, s10)
#cy_train表示根据训练集的标签y_train来对散点进行颜色编码,每个标签对应一个特定的颜色。s10将每个数据点的大小设置为 10 像素,使用markero表示使用圆圈形状的标记来表示训练集
ax.scatter(test[:,0], test[:,1], test[:,2] , cy_test, marker^, labelTest, s10) # 使用marker^表示使用三角形形状的标记来表示验证集
ax.legend() # 添加图例,以便区分训练集和验证集plt.show()
实例3自己的实验判断迁移是否有效
实例3实验结果 实例3代码
from __future__ import print_function
import torch
import torch.nn.functional as F
from torch.utils.data import DataLoader
from torch.autograd import Variable
import os
from data_loader_new import DatasetFolder
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt
from sklearn import preprocessingdef sne():ckpt_model_0 E:/XD_DANN/dataset1400/result1214/mnist_mnistm_model_epoch_0.pthmy_net_0 torch.load(ckpt_model_0)ckpt_model_9 E:/XD_DANN/dataset1400/result1214/mnist_mnistm_model_epoch_99.pthmy_net_9 torch.load(ckpt_model_9)alpha 0source_dataset_name shallow_train ###target_dataset_name deep_train ###source_image_root os.path.join(.., t_SNE, source_dataset_name)target_image_root os.path.join(.., t_SNE, target_dataset_name)dataset_source DatasetFolder(source_image_root)dataloader_source DataLoader(datasetdataset_source,batch_sizelen(dataset_source),shuffleTrue,num_workers8)data_source_iter iter(dataloader_source)s_img, _, _ next(data_source_iter) #图片标签位置信息_, _, s_feature_0 my_net_0(input_datas_img, alphaalpha)_, _, s_feature_9 my_net_9(input_datas_img, alphaalpha) #类别领域特征print(源域数据加载成功)dataset_target DatasetFolder(roottarget_image_root)dataloader_target DataLoader(datasetdataset_target,batch_sizelen(dataset_target),shuffleTrue,num_workers8)data_target_iter iter(dataloader_target)t_img,_ ,_ next(data_target_iter)_, _, t_feature_0 my_net_0(input_datat_img, alphaalpha)_, _, t_feature_9 my_net_9(input_datat_img, alphaalpha) # 类别领域特征print(目标域数据加载成功)# s_img s_img.view(len(s_img), -1) # [样本数量, 特征维度]-1是根据原来的形状自动计算出新的维度大小以保证总的元素个数不变这里是28*28# t_img t_img.view(len(t_img), -1)s_feature_0 s_feature_0.view(len(s_feature_0), -1)t_feature_0 t_feature_0.view(len(t_feature_0), -1)s_feature_9 s_feature_9.view(len(s_feature_9), -1)t_feature_9 t_feature_9.view(len(t_feature_9), -1)tsne TSNE(n_components2, verbose1,random_state42) # n_components3表示降维后的维度为3即将图像数据降低到三维verbose1表示打印详细的日志信息random_state42表示设置随机种子以保证可重复性。# shallow_before tsne.fit_transform(s_img.detach().numpy())# deep_before tsne.fit_transform(t_img.detach().numpy())shallow_before tsne.fit_transform(s_feature_0.detach().numpy())deep_before tsne.fit_transform(t_feature_0.detach().numpy())shallow_after tsne.fit_transform(s_feature_9.detach().numpy())deep_after tsne.fit_transform(t_feature_9.detach().numpy())scaler preprocessing.MinMaxScaler(feature_range(-1, 1))shallow_before scaler.fit_transform(shallow_before)deep_before scaler.fit_transform(deep_before)shallow_after scaler.fit_transform(shallow_after)deep_after scaler.transform(deep_after) # 对验证集进行归一化处理使用训练集的scaler对象进行transformfig plt.figure(figsize(30, 30))ax fig.add_subplot(211)ax.set_title(第0轮次训练结果)ax.scatter(shallow_before[:, 0], shallow_before[:, 1], cgray, markero, labelshallow, s10)ax.scatter(deep_before[:, 0], deep_before[:, 1], cred, marker^, labeldeep, s10)ax.legend()ax fig.add_subplot(212)ax.set_title(第99轮次训练结果)ax.scatter(shallow_after[:,0], shallow_after[:,1], cgray, markero, labelshallow, s10)ax.scatter(deep_after[:,0], deep_after[:,1] , cred, marker^, labeldeep, s10) # 使用marker^表示使用三角形形状的标记来表示验证集ax.legend() # 添加图例,以便区分训练集和验证集plt.rcParams[font.sans-serif] [SimHei] ## 用来正常显示中文标签plt.rcParams[axes.unicode_minus] False # 用来正常显示负号plt.show()if __name__ __main__:sne()print(done)大家可以根据自己的实验需要更改代码提醒若需要显示中文/负号别忘了这两行代码哟
plt.rcParams[font.sans-serif] [SimHei] ## 用来正常显示中文标签
plt.rcParams[axes.unicode_minus] False # 用来正常显示负号
参考http://t.csdnimg.cn/cshBV
