问题代码
def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5): #@save
"""绘制图像列表"""
figsize = (num_cols * scale, num_rows * scale)
_, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)
axes = axes.flatten()
for i, (ax, img) in enumerate(zip(axes, imgs)):
if torch.is_tensor(img):
# 图片张量
ax.imshow(img.numpy())
else:
# PIL图片
ax.imshow(img)
ax.axes.get_xaxis().set_visible(False)
ax.axes.get_yaxis().set_visible(False)
if titles:
ax.set_title(titles[i])
return axes
d2l.plt.subplots返回值
plt.subplots是matplotlib库中的一个函数，用于创建一个新的Figure对象，并在其中创建一个或多个子图（subplot）。
它的基本用法是：
fig, ax = plt.subplots(nrows=1, ncols=1, **kwargs)
其中，nrows和ncols分别指定了子图的行数和列数。如果只想创建一个子图，可以省略其中一个参数。
返回值fig是Figure对象，ax则是一个或多个子图的Axes对象（如果只创建了一个子图，则返回一个单独的Axes对象；如果创建了多个子图，则返回一个Axes对象列表）。
kwargs是可选的关键字参数，用于设置Figure和子图的属性。例如，可以使用figsize参数设置Figure的大小，使用sharex和sharey参数来共享子图的x轴和y轴。
axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize）
解释：
d2l.plt.subplots创建了一个包含多个子图的网格（grid）；
num_rows和num_cols分别指定了网格中子图的行数和列数；
figsize指定了整个图像的尺寸，即包含所有子图的画布大小。
返回值axes是一个由网格的子图对象组成的NumPy数组。
我们可以使用它来访问、控制和绘制每个子图。
举例说明：
axes是一个由子图对象组成的NumPy数组，它可以用来访问、控制和绘制每个子图。具体来说，axes是一个大小为(num_rows, num_cols)的NumPy数组，其中axes[i, j]表示第 i + 1 i+1 i+1行和第 j + 1 j+1 j+1列的子图对象。
例如，如果我们使用以下代码创建一个包含 2 2 2行 3 3 3列子图的网格：
import matplotlib.pyplot as pltimport d2lfigsize = (6, 4)num_rows, num_cols = 2, 3axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)那么`axes`将是一个大小为$(2, 3)$的NumPy数组，可以通过索引来访问每个子图对象。例如，我们可以在第$1$行第$2$列的子图中绘制一条直线：axes[0, 1].plot([0, 1], [0, 1])或者我们可以在所有子图中添加一个标题：
for i in range(num_rows):for j in range(num_cols):axes[i, j].set_title(f'Subplot ({i+1}, {j+1})')原链接
subplot()、subplots()
subplot()、subplots()在实际过程中，先创建了一个figure画窗，然后通过调用add_subplot()来向画窗中各个分块添加坐标区，其差别在于是分次添加(subplot())还是一次性添加(subplots())
3.plt.subplots()
语法格式：
matplotlib.pyplot.subplots(nrows=1, ncols=1, *, sharex=False,
sharey=False, squeeze=True,subplot_kw=None, gridspec_kw=None, **fig_kw)
-nrows：默认为 1，设置图表的行数。
-ncols：默认为 1，设置图表的列数。
-sharex、sharey：设置 x、y 轴是否共享属性，默认为 false，可设置为 ‘none’、‘all’、‘row’ 或 ‘col’。 False 或 none 每个子图的 x 轴或 y 轴都是独立的，True 或 ‘all’：所有子图共享 x 轴或 y 轴，‘row’ 设置每个子图行共享一个 x 轴或 y 轴，‘col’：设置每个子图列共享一个 x 轴或 y 轴。
import matplotlib.pyplot as plt
import numpy as np# 创建一些测试数据
x = np.linspace(0,100, 4)
y = np.sin(x**2)# 创建一个画像和子图 -- 图1
fig, ax = plt.subplots()
ax.plot(x, y)
ax.set_title('Simple plot')# 创建两个子图 -- 图2
#如图figure2，四个子图中上两幅图并无x轴（与下子图共享），因为已设置sharex=True
#若改为sharey=True，可观察到四副子图中右两幅无y轴（即与左子图共享）
f, ([ax1, ax2],[ax3,ax4]) = plt.subplots(2, 2, sharex=True)
ax1.plot(x, y)
ax1.set_title('Sharing x axis')
ax2.scatter(x, y)
ax3.scatter(x, y)
ax4.scatter(x, y)# 创建四个子图 -- 图3
#通过对subplot_kw传入参数，生成关于极坐标系的子图
fig, axs = plt.subplots(2, 2, subplot_kw=dict(projection="polar"))
axs[0, 0].plot(x, y)
axs[1, 1].scatter(x, y)plt.show()
文章来源地址
python内置函数：zip()函数搭配enumerate函数使用，用在for循环中
简介enumerate()
enumerate()函数是Python的内置函数，对于一个可迭代的（iterable）/可遍历的对象（如列表、字符串），可以利用enumerate函数同时获取对象的索引和值。
x=np.arange(0,100,10)
for i in enumerate(x):index = i[0]; xval = i[1]print(index,xval)
0 0
1 10
2 20
3 30
4 40
5 50
6 60
7 70
8 80
9 90
简介zip()
zip函数是Python的内置函数，它用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的对象（即对多个序列进行并行迭代）。如果各个迭代器元素个数不一致，zip()函数则在最短序列“用完”时就会停止。
sz = np.arange(1,100,10)
sx = np.arange(1,10,1)
for index, (szi, sxi) in enumerate(zip(sz, sx)):print(index,szi,sxi)
0 1 1
1 11 2
2 21 3
3 31 4
4 41 5
5 51 6
6 61 7
7 71 8
8 81 9
transforms.Compose(trans)
Compose()类会将transforms列表里面的transform操作进行遍历。实现的代码很简单：
## 这里对源码进行了部分截取。
def __call__(self, img):for t in self.transforms: img = t(img)return img
pytorch通过深度学习进行预处理图片，离不开transforms.Compose()，torchvision.datasets.ImageFolder()，torch.utils.data.DataLoader()的用法。
源自于文章
1.Transform.Compose()详解
导入相应的库
import torch
import torchvision
import matplotlib.pyplot as plt
from torch.utils import data
from torchvision import datasets,transforms
from PIL import Image
%matplotlib inline
class torchvision.transforms.Compose(transforms):# Composes several transforms together.# Parameters: transforms (list of Transform objects) – list of transforms to compose.Example # 可以看出Compose里面的参数实际上就是个列表，而这个列表里面的元素就是你想要执行的transform操作。
>>> transforms.Compose([
>>> transforms.CenterCrop(10),
>>> transforms.ToTensor(),])展示原始图片
pic = "./train/Chihuahua/n02085620_10074.jpg"img = plt.imread(pic)
plt.imshow(img)
定义图片预处理的对象。
traintransform = transforms.Compose([transforms.RandomRotation(20), # 随机旋转20°transforms.ColorJitter(brightness=0.1), #随机改变图像的亮度对比度和饱和度transforms.Resize([150,150]), # 转换为需要的尺寸transforms.ToTensor(), #convert a PIL image to tensor (H*W*C)])
img1 = Image.fromarray(img) #将numpy对象的img转换为PIL格式
img2 = traintransform(img1)# 图像预处理tensor
img3 = transforms.ToPILImage()(img2)#转换为PIL进行展示
plt.imshow(img3)
展示处理之后的图片，可以看出，图片旋转了20°，并且大小转换为（150，150）
附上——transforms中的函数如何使用？
# Resize：把给定的图片resize到given size
# Normalize：Normalized an tensor image with mean and standard deviation
# ToTensor：convert a PIL image to tensor (H*W*C) in range [0,255] to a torch.Tensor(C*H*W) in the range [0.0,1.0]
# ToPILImage: convert a tensor to PIL image
# Scale：目前已经不用了，推荐用Resize
# CenterCrop：在图片的中间区域进行裁剪
# RandomCrop：在一个随机的位置进行裁剪
# RandomHorizontalFlip：以0.5的概率水平翻转给定的PIL图像
# RandomVerticalFlip：以0.5的概率竖直翻转给定的PIL图像
# RandomResizedCrop：将PIL图像裁剪成任意大小和纵横比
# Grayscale：将图像转换为灰度图像
# RandomGrayscale：将图像以一定的概率转换为灰度图像
# FiceCrop：把图像裁剪为四个角和一个中心
# TenCrop
# Pad：填充
# ColorJitter：随机改变图像的亮度对比度和饱和度。
