企业官网建设流程全解析

写这篇内容的时候，我刚装好TensorFlow 2.1跑通第一个张量程序，正准备接触手写数字识别。翻了几份入门教程，发现很多人直接甩一段模型训练代码，可我只想知道：我手里这批数据到底长什么样？训练过程到底发生了什么？答案是画图。这也是我把Matplotlib当作TensorFlow入门第二课的原因。

这一篇内容只讲一件事：怎么用Matplotlib把深度学习入门阶段会遇到的“数据”和“训练过程”变成能看的图。适合刚装好TensorFlow、还不太会看数据的初学者，也适合那些不想一上来就啃文档的人。

1. 为什么画图要排在搭模型之前

很多初学者有个错觉，觉得深度学习入门的第一步是搭模型。实际上，拿到一批数据之后，第一件事应该是“看数据”。

1.1 没有可视化，训练就是盲人摸象

我第一次做手写数字识别时，直接用别人的代码跑了训练，准确率看起来不错，但我完全不知道模型在干什么。直到有一天我试着把训练集的前9张图打印出来，才发现数据里有大小不一、方向倾斜、甚至有些数字变形到人眼都难认的样本。那一刻才明白，所谓“准确率99%”到底意味着什么。

可视化在深度学习入门阶段至少有三种用途：

• 数据探索：数据长什么样，有没有异常样本，类别是否均衡，这些都需要画图才能快速感知。
• 过程监控：训练时损失值是否下降、精度是否波动、有没有过拟合，画成曲线比看一屏数字直观得多。
• 结果检查：预测错了哪些样本，错在什么地方，把预测结果和原始图片放在一起对比才有意义。

1.2 选Matplotlib而不是其他工具的原因

Python生态里可视化工具不少，比如Seaborn、Plotly、Bokeh。我入门阶段只推荐先学Matplotlib，理由很实在：

第一，Matplotlib是TensorFlow官方文档和大部分教程默认使用的可视化工具，跟着教程做不会出现工具不匹配的问题。第二，它的信息密度极高，网上随便一搜就能找到各种绘图问题的解决方案。第三，在入门这个阶段，Matplotlib的性能和功能足够用了，画几千个点的散点图、几百轮训练曲线，完全不卡。

有一个容易被忽略的点：Matplotlib绘图的底层逻辑和图像处理是紧密相关的。深度学习中经常要处理图像数据，而Matplotlib里imshow、颜色映射、通道顺序这些概念，和TensorFlow里图像张量的处理方式是相通的。学Matplotlib不只是学画图，也是在为后面处理图像数据做铺垫。

2. 第一张图：figure、axes到底在控制什么

刚开始用Matplotlib，很多人会写plt.plot(x, y)，然后它就出图了。这个写法没有错，但只停留在“会用”的层面。入门阶段最好稍微理解一下它背后的对象模型，后面画复杂的图才不会乱。

2.1 两种用法：点菜模式和开火模式

Matplotlib有两条使用路线。一条是pyplot模式，直接调用plt.plot()、plt.xlabel()这类函数，像在餐厅点菜，省心省力。另一条是面向对象模式，先创建一个画布对象，再在里面创建坐标轴对象，然后在这个坐标轴上绘图，像自己下厨，每一步都可控。

入门阶段我的建议是：先用plt.plot()快速出图，感受流程；等画到子图布局、多坐标轴的时候，再切换成面向对象写法。不要一上来就两个模式混着学，容易混乱。

下面是我TensorFlow入门阶段画的第一张图示例：

import matplotlib.pyplot as plt import numpy as np x = np.linspace(-2*np.pi, 2*np.pi, 100) y = np.sin(x) plt.plot(x, y) plt.title('y = sin(x)') plt.show()

这段代码很简单，但已经包含了绘图的基本流程：准备数据、传入数据、设置标题、展示图形。

2.2 Figure、Axes、Axis三个概念别搞混

很多读者会混淆三个英文词：Figure、Axes、Axis。

Figure是整张空白画布，你所有的线条、文字、图例都会画在这张画布上。Axes是画布上的一个绘图区域，通常包含坐标轴、刻度、数据图形。一个Figure上可以有多个Axes，这就是子图。Axis是坐标轴本身，包括x轴、y轴以及上面的刻度线。

用生活场景来比喻：Figure是一块面板，Axes是面板上用胶带贴出来的一个画框，Axis是这个画框边缘的刻度尺。

入门阶段最常见的写法是：

fig, ax = plt.subplots()

这行代码一次返回两个对象，fig是画布，ax是绘图区域。后面所有操作都用ax来执行，比如ax.plot()、ax.set_title()。这种写法的好处是当你想在一张画布上画多个子图时，只需要改plt.subplots(1, 2)这种参数，后面的代码逻辑完全不变。

2.3 中文字体和负号显示问题

画训练曲线时，我第一时间遇到的是中文标题乱码。这个问题几乎所有用过Matplotlib的人都碰到过：默认字体不支持中文。

处理方式是在绘图代码最前面加上全局配置：

import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False

第一行把默认字体改成支持中文的字体，第二行解决负号显示成方块的问题。实际使用中，如果是在Linux服务器上画图，SimHei可能不存在，需要改成系统里已安装的中文字体，比如Noto Sans CJK SC。可以先执行plt.rcParams['font.sans-serif']查看当前字体列表，再选择合适的中文字体放进去。

一个小提示：在脚本开头设置好rcParams，比每张图单独设置fontproperties参数省事得多。后面所有图都会自动使用这个配置，不需要重复操作。

3. 入门阶段最常用的三类图分别怎么画

深度学习入门阶段，真正会反复用到的图其实就三类：折线图、散点图、柱状图/直方图。再加上子图布局，基本覆盖日常需求。

3.1 折线图：一切训练曲线的基础

折线图适合展示随时间或迭代步数变化的趋势。训练过程中的loss曲线、accuracy曲线，本质上都是折线图。

基础的折线图不必细说，关键是绘图时的几个常用参数：

plt.plot(x, y, color='red', linewidth=2, linestyle='--', marker='o')

color控制颜色，linewidth控制线宽，linestyle控制线型，marker控制数据点标记。入门阶段记住这四个参数就够用了。

有一点想补充：折线图看起来简单，但很多人在画训练曲线时忽略了一个问题，就是x轴的含义。训练曲线上的 x 轴是 epoch 或 batch 数，不是实际时间。如果训练中数据读取速度不稳定，用“秒”作为x轴画出来的曲线会变形，无法真实反映模型收敛过程。习惯上直接用迭代次数或者epoch编号就好。

3.2 散点图：看数据分布的最佳方式

做分类任务时，我最喜欢用散点图看两类样本的分布情况。比如两个特征的二分类数据，直观画出分布，能提前判断数据是线性可分，还是必须用复杂模型。

plt.scatter(X[:, 0], X[:, 1], c=y, cmap='bwr', alpha=0.7) plt.colorbar() plt.show()

c参数传入每个点的类别标签，cmap指定颜色映射，alpha控制透明度。当数据点很多时，透明度过低会导致所有点叠在一起看不清分布，alpha=0.5~0.7是比较稳妥的三区间。

3.3 柱状图与直方图：两类最容易混淆的图

初学阶段很容易把bar和hist搞混。bar是柱状图，用来展示分类数据的数量对比；hist是直方图，用来展示连续数据的分布情况。

比如查看手写数字数据集中各类别样本数量是否均衡，用柱状图：

cnt = np.bincount(y_train, minlength=10) plt.bar(range(10), cnt) plt.show()

再看某张图像的像素值分布，用直方图：

plt.hist(X_train[0].ravel(), bins=32, color='gray')

bins是分箱数量，它决定了直方图显示的粗糙程度。分箱过少，分布细节丢失；分箱过多，噪声太重。对于0到255的像素值，32个分箱是比较常规的经验值。

3.4 子图布局：一张图讲清楚多个角度的信息

当数据需要多角度呈现时，子图是最有效的方式。比如同时显示原图、灰度图、像素分布直方图，可以用一行代码创建三块画板：

fig, axes = plt.subplots(1, 3, figsize=(12, 4)) axes[0].imshow(X_train[0].reshape(28, 28), cmap='gray') axes[1].imshow(X_train[0].reshape(28, 28), cmap='gray_r') axes[2].hist(X_train[0].ravel(), bins=32) plt.tight_layout() plt.show()

子图模式的好处是可以统一管理三块绘图区域，不用反复调用plt.subplot()切换焦点。这里请注意：三块子图用的是同一个axes数组，索引axes[0]、axes[1]分别对应不同的绘图区域。

4. 图像数据怎么显示才不出“怪色调”

深度学习入门阶段处理最多的数据就是图像。而 Matplotlib 显示图像时有一个非常容易踩坑的点：图片颜色看起来不对劲。

4.1 单通道图像直接 imshow 会变成绿色调

第一次运行手写数字数据集的图像显示，我发现图居然是绿色调的。一张明明是黑白的数字图片，在Matplotlib里默认被映射成了类似“viridis”的蓝绿色渐变色。

原因是imshow对单通道数据默认使用颜色映射（colormap），如果不手动指定cmap='gray'，它会用默认颜色映射来着色。解决办法是每次显示灰度图时都显式指定：

plt.imshow(image, cmap='gray')

这里可以顺便解释一个高级技巧：像cmap='gray_r'这样的反向灰度映射，可以让黑色背景变成白色背景，在查看手写数字时白色前景配黑色背景更贴近常规审美，便于阅读识别结果。

4.2 归一化和显示顺序不对，图会“全黑”或“全白”

第二个坑是归一化顺序。训练时通常会把像素值除以255，让数据范围落在0到1之间，方便模型训练。但显示图像时，很多新手直接把这个0到1的数据传入imshow，结果图像是全黑的。

原因在于Matplotlib对不同类型的数组取值理解不同。如果传入的数据类型是float，它默认值域是0到1，0到1的数据可以正常显示。但如果数据类型是uint8，它默认值域是0到255，此时0到1的所有值都会被视为接近0的值，也就是接近纯黑色。

所以，显示之前要明确当前数组的取值范围。如果你做了归一化，想看到原始图像的效果，要么把数值重新缩放到0到255并转换为uint8，要么保持0到1浮点数据直接传。不要在一个流程里混用两种类型。

4.3 一个实用的“九宫格”样本展示代码

数据探索阶段，我每次拿到新的图像数据集，都会先打印一个九宫格，快速查看前9个样本长什么样：

fig, axes = plt.subplots(3, 3, figsize=(8, 8)) for i, ax in enumerate(axes.flat): ax.imshow(X_train[i].reshape(28, 28), cmap='gray') ax.set_title(f'label: {y_train[i]}') ax.axis('off') plt.tight_layout() plt.show()

这里的axes.flat是把二维的坐标系数组拉平，方便用一层循环遍历所有子图。axis('off')用来关掉每张图上的坐标轴刻度，让视图更干净。整个过程没有涉及任何深度学习知识，却让我第一次真正“看到”了数据集的含义。

5. 把训练过程画成损失下降曲线的完整做法

数据看明白了，接下来要开始训练模型。训练过程中最重要的事，就是把loss和accuracy的变化过程按时间画成曲线。

5.1 训练时记录指标的意义

训练曲线的变化趋势，能帮你快速判断模型状态：

• 收敛正常：loss持续下降后趋于平缓，accuracy稳步上升后平稳。
• 欠拟合：loss一直处于高位，accuracy迟迟上不去。
• 过拟合：训练集loss继续下降，验证集loss先降后升，两条曲线出现明显分离。

与其去理解一堆理论，不如直接看两条曲线。可视化的价值就在这里。

5.2 用 model.fit() 的返回值直接拿到 history

在TensorFlow 2.1中，model.fit()会返回一个History对象，里面记录了每个epoch的指标。这是入门阶段最省事的方式：

history = model.fit(x_train, y_train, epochs=20, validation_data=(x_test, y_test)) print(history.history.keys())

history.history是一个字典，里面通常包含loss、accuracy、val_loss、val_accuracy这些键。每个键对应一个列表，长度等于epoch数。

有了这两个列表，画曲线只是举手之劳：

plt.plot(history.history['loss'], label='train_loss') plt.plot(history.history['val_loss'], label='val_loss') plt.xlabel('epoch') plt.ylabel('loss') plt.legend() plt.show()

5.3 对比训练集与验证集曲线的注意事项

画这些曲线时有一个非常重要的细节：val_loss和val_accuracy是在每个epoch结束后用当前模型在验证集上计算得到的，时间点比训练集指标滞后半个epoch。如果两条曲线直接对齐画，后续对比时可能会被细微偏移误导。

更实际的操作建议是：把x轴的标签写成“epoch”，而不是“iteration”。因为validation_data的评估频率和训练集的参数更新频率不同，用iteration做x轴会让两张图的横坐标含义不一致。

6. 图片保存和样式配置，是会被反复用到的基础功

最后说说图片保存和样式设置。很多时候我们是在服务器上跑训练，没有图形界面，画出来的图只能保存成文件后下载查看。

6.1 savefig 和 show 的先后顺序容易踩坑

我最初写代码时是plt.show()之后再调用plt.savefig()，结果保存出来的图片是空白的。原因是show()执行时会把当前画布清空。

正确做法是先保存再显示，或者只保存不显示：

plt.plot(loss_history) plt.savefig('loss_curve.png', dpi=200, bbox_inches='tight')

dpi=200控制图片分辨率，bbox_inches='tight'会自动裁掉边缘多余的空白区域。

顺带补充一个Linux下无图形界面时画图的常遇到问题：直接执行plt.show()会报no display之类的错误，解决办法有两个，一是代码里不用show()，只保留savefig()；二是在文件最上方设置环境变量plt.switch_backend('Agg')。对这个话题，入门阶段知道这两种方法就足够用了。

6.2 一张图的常用配置清单

入门阶段想画一张“能见人”的图，记下下面这几个配置就够用：

绘图时一个常见的问题是标题或坐标轴名称被遮挡。遇到过这个问题的人用过几分钟就会明白tight_layout()的价值，它会自动调整各元素的边距，让所有内容完整显示。我习惯在所有图收尾前都调用一下。

6.3 下一步可以往哪边扩展

Matrixplotlib覆盖了大部分静态图的场景，画到顺手之后再去扩展其他方向。常见几个方向包括：

• Seaborn：适合画统计图，自带一些美观的主题，基于Matplotlib封装，学习成本低。
• Plotly：适合画交互式图表，鼠标悬停就能看数值，适合做探索性分析。
• TensorBoard：TensorFlow自带的训练可视化工具，可以跟踪更复杂的模型结构、梯度分布等信息。

不过这些都是后话。对刚入门TensorFlow的人来说，能画清楚数据分布、能看到训练曲线，已经足够支撑接下来的模型学习。先别急着美化图表，把想看的信息准确画出来，这才是核心。

最后分享一个小技巧

在实际动手时有一个我深有体会的小技巧：画训练曲线时，遇到先降后升、反复横跳的曲线，不要马上怀疑模型写错了，先看一眼是不是把多个epoch的学习率调整段位混在同一张图里了。

另外，每次刚拿到新的数据集，我都先跑一遍九宫格图像展示，确认数据量、数据类型、取值范围，然后再开始写模型。就这么一个简单的习惯，后面帮我省掉了不少排查问题的时间。