一、两层结构

fig 是一张画布，ax 是画布上的一块区域。 plt.subplots(1, 2) 的意思是「一张图上开两个 ax，横着排」。 所有绘图命令都是针对 ax 的：ax.plot(...)、ax.set_title(...)、ax.legend()。 如果你写 plt.plot(...)，它作用在「当前 ax」上——单张图时没问题， 多张图时会画到最后一个上面去，这是最常见的困惑。 fig.tight_layout() 是自动调边距，避免标题和坐标轴标签被裁掉。存图前加一句，省很多事。

二、三张常用图

plot(x, y) 画折线。训练损失曲线就是它：横轴轮数、纵轴损失。 多看一条验证曲线，两条一起画，过适一眼就能看出来。 hist(data, bins=20) 画直方图。看权重分布、看预测概率分布、看数据是否偏斜。 bins 是分几档，太少看不出形状，太多全是锯齿。 imshow(matrix) 把矩阵当图像画，每个数对应一个颜色。 看到图像数据用 plot 画成一条线，是新手最常犯的错——1024 个像素连成折线， 除了告诉你「有 1024 个数」什么也看不出来。

三、保存与 dpi

fig.savefig("fig.png", dpi=100)。 像素数 = figsize（英寸）乘 dpi。8×3 英寸、100 dpi，就是 800×300 像素。 论文要 300 dpi，网页 100 到 150 就够。 别用默认值碰运气——默认 figsize 是 6.4×4.8，dpi 是 100，存出来 640×480，放 PPT 里会糊。 要矢量图就存 .pdf 或 .svg，放大不糊，适合插图。 但文件里嵌的是路径不是像素，照片类的图别存成矢量。

四、中文与负号

Matplotlib 默认字体没有中文，标题写中文会变成一堆方框。 两种解法：全用英文标签（省事），或者设字体：

plt.rcParams["font.sans-serif"] = ["SimHei"]   # Windows
plt.rcParams["axes.unicode_minus"] = False    # 负号正常显示

第二行经常被忘。不设它，负号会显示成方框，因为默认字体里的减号是另一个编码位置。 本书所有 Demo 的图都用英文标签，就是为了避开这个坑——笔记里也不放图，只放数。

五、为什么要看曲线

训练是一个反复迭代的过程，只用最后那个数字判断好坏是不够的。 损失曲线能告诉你三件事：下降得顺不顺（有没有震荡）、有没有收敛（尾部还平不平）、 什么时候开始过适（训练降验证升的那个点）。 这三件事没有一个能从「最终准确率 0.93」这个数字里读出来。 所以第 4 章之后每次训练，第一件事都是把曲线画出来。

六、动手 Demo：把数画成图，再数它的像素

后端用 Agg（不弹窗、直接存文件），画一张 1×2 的子图：左边两条曲线，右边一个直方图。 存成 PNG 之后，把文件大小和像素尺寸都读出来。

import matplotlib
matplotlib.use("Agg")          # 不弹窗，直接存文件
import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 6.28, 200)
fig, axes = plt.subplots(1, 2, figsize=(8, 3))

axes[0].plot(x, np.sin(x), label="sin")
axes[0].plot(x, np.cos(x), linestyle="--", label="cos")
axes[0].legend()

axes[1].hist(np.random.default_rng(3).normal(0, 1, 500), bins=20)
fig.tight_layout()
fig.savefig("fig.png", dpi=100)      # 800 × 300 像素

实跑输出：

--------------------------------------------------------------------
资料绘制函式库 Matplotlib：把数画成图
--------------------------------------------------------------------

  后端用的是 Agg（不弹窗，直接存文件），版本 3.11.1。

  一张 1×2 的子图，figsize=(8, 3)、dpi=100：
    文件 fig.png，28800 字节，800×300 像素

  **像素数 = figsize 乘 dpi。**8×100 = 800，3×100 = 300，正好对上。
  想发论文就 dpi=300，想放网页就 100 或 150，别用默认值碰运气。

  画图的三件套记住就够：**fig 是整张纸，axes 是纸上的一块区域。**
  **plot 画线、hist 画分布、imshow 画矩阵。**
  图像数据用 imshow，别用 plot——这是新手最常见的错。

800×300 像素、28800 字节。像素数是 8×100 和 3×100，正好对上 figsize 乘 dpi 这条公式。 文件大小 28800 字节，比 800×300×3 = 720000 字节约小二十五倍——因为 PNG 是无损压缩， 大片同色区域压得很狠。这也说明「像素多」不等于「文件大」。 这一段最实用的地方不是画了什么，而是它把图变成了一次可验证的运算：尺寸对不对、文件存没存下来， 都能用数字确认，不用靠眼睛看。 还有一个细节：matplotlib.use("Agg") 必须在 import pyplot 之前。 顺序反了不生效——这是 Matplotlib 里少数对顺序敏感的写法。

30 秒实验

1. 把 dpi 从 100 改成 300，重新算像素数，看是不是变成 2400×900。
2. 把 bins 从 20 改成 5 和 100，看直方图的形状怎么变。
3. 把 axes[1].hist 换成 axes[1].imshow(np.random.rand(16, 16))，看它画出来是什么。

常见误区

1. 用 plot 画图像。图像是矩阵，该用 imshow。plot 会把每行连成折线，画出一团看不懂的东西。
2. 在多子图里继续用 plt.plot。它会画到「当前 ax」上，结果所有线挤在最后一张图里。 要用 axes[i].plot。
3. 存图不设 dpi。默认 100，出来是 640×480，放文档里糊得没法看。

工具齐了：会造数、会算、会画。下一节用它们把「深度学习」完整走一遍，从数据到准确率，一步不落。

• ☐ （本节完，下一节 3.5 以 Keras 体验深度学习）

相关笔记

• 数值运算函式库 NumPy 的使用方法
• 41 课 · 图解深度学习 · 索引
• 📕 深度学习入门教室 · 索引