``` def plot_numbers(data_to_test, rel, labels_data_to_test, labels_by_network, results_dir): """Plots the numbers and the relevance heatmap of it. """ w = 70 h = 70 fig = plt.figure(figsize=(15, 15)) columns = 2 rows = data_to_test.shape[0] # number of digits ax = [] ax_ind = 0 for i in range(0, int(columns*rows/2), 1): # create subplot and append to ax ax_ind +=1 ax.append(fig.add_subplot(rows, columns, ax_ind)) ax[-1].set_title("real:"+str(labels_data_to_test[i])) # set title plt.imshow(get_heatmap(data_to_test[i, :]), cmap='Reds') ax_ind += 1 ax.append(fig.add_subplot(rows, columns, ax_ind)) ax[-1].set_title("predicted label:" + str(labels_by_network[i])) # set title plt.imshow(get_heatmap(rel[i, :]), cmap='Reds'),# interpolation='bilinear') plt.savefig("{0}results_grid_not_weighted.png".format(results_dir)) # finally, render the plot```解释代码

这段代码的功能是绘制一组数字及其对应的热力图，并保存结果到指定目录。以下是详细的逐行解析： --- ### 详细解读 #### 函数定义及参数 ```python def plot_numbers(data_to_test, rel, labels_data_to_test, labels_by_network, results_dir): ``` - 定义了一个名为 `plot_numbers` 的函数，包含以下五个参数： 1. **`data_to_test`**: 输入的测试数据集，通常是原始的手写数字图像。 2. **`rel`**: 相关性数据（relevance data），可能是模型预测过程中生成的相关性分数或特征重要性的表示。 3. **`labels_data_to_test`**: 测试数据的真实标签。 4. **`labels_by_network`**: 模型对测试数据的预测标签。 5. **`results_dir`**: 结果文件存储路径。 --- #### 图像大小设置 ```python w = 70 h = 70 fig = plt.figure(figsize=(15, 15)) columns = 2 rows = data_to_test.shape[0] # 数字的数量 ax = [] ax_ind = 0 ``` - 设置绘图窗口的高度 (`h`) 和宽度 (`w`) 为 70 像素（尽管这两个变量未实际使用）。 - 创建一个新的图形对象 `fig`，并设定其大小为 `(15, 15)` 英寸。 - 设定每张图有两列 (`columns=2`)，而行数由输入数据中样本数量决定 (`rows=data_to_test.shape[0]`)。 - 初始化空列表 `ax` 存储每个子图的对象索引；初始化计数器 `ax_ind` 来跟踪当前添加的子图位置。 --- #### 主循环：绘制真实和预测标签对应的数据 ```python for i in range(0, int(columns * rows / 2), 1): ax_ind += 1 ax.append(fig.add_subplot(rows, columns, ax_ind)) # 添加一个子图 ax[-1].set_title("real:" + str(labels_data_to_test[i])) # 设置标题显示真实标签 plt.imshow(get_heatmap(data_to_test[i, :]), cmap='Reds') ax_ind += 1 ax.append(fig.add_subplot(rows, columns, ax_ind)) ax[-1].set_title("predicted label:" + str(labels_by_network[i])) # 显示预测标签 plt.imshow(get_heatmap(rel[i, :]), cmap='Reds')#, interpolation='bilinear') ``` - 循环遍历每一个待绘制的数字图像以及它们相关的热度信息(`range(0,int(columns*rows/2),1)`) - 第一次调用 `plt.imshow()`, 使用的是来自 `get_heatmap()` 转换过的原始数字图像数据，并设置了红色渐变颜色表 (`cmap='Reds'`)。 - 第二次调用则是对于相关性数据进行同样处理并标注预测标签。 - 注意这里假设每次迭代会增加两个子图，因此我们看到两次连续的操作都是基于相同的索引来管理布局。 --- #### 文件保存 ```python plt.savefig("{0}results_grid_not_weighted.png".format(results_dir)) ``` - 最终将整个图表保存至以字符串格式拼接而成的目标地址下，默认命名为"results_grid_not_weighted.png"。 --- ### 总结 该程序核心在于利用matplotlib库构建一个多面板视图，对比展示原始测试样例与其关联性度量间的差异点或者模式匹配状况等特性，并自动完成渲染输出步骤方便后续查阅评估效果如何。