Matplotlib——把训练曲线和分布画出来

个人主页： > for_ever_love__ < （欢迎各位大佬莅临😊）
其他栏目: > 我想学python了 <

其他栏目: > iOS项目总结大全 <

其他栏目: > iOS UI <

文章目录

Matplotlib------把训练曲线和分布画出来
- [一、先搞清楚 Matplotlib 的三层结构](#一、先搞清楚 Matplotlib 的三层结构)
- [二、折线图：训练 loss 曲线（最常用）](#二、折线图：训练 loss 曲线（最常用）)
- [三、多子图：subplots 一次出多张](#三、多子图：subplots 一次出多张)
- 四、直方图与散点图：看数据分布
- 五、柱状图：指标对比
- 六、混淆矩阵热力图：定位模型错在哪
- 七、保存图片与中文显示
- 八、常见坑与注意事项
- 九、本篇小结

Matplotlib------把训练曲线和分布画出来

承上：上一篇《Pandas 基础》我们把数据整理进了 DataFrame，但数字躺在表里你依然看不见趋势。

本篇：本篇把数据画出来：训练曲线、分布直方图、混淆矩阵热力图。

启下：下一篇进入阶段 2《线性代数入门》，补上理解大模型运算本质的数学工具。

学完这一节，你能动手做：

画 train/val 双曲线，一眼判断过拟合、欠拟合与学习率是否合适
用直方图决定 max_length、截断阈值等预处理参数（常用 p95）
画混淆矩阵定位模型到底把哪两类搞混了

上一篇我们用 Pandas 学会了管理训练数据和实验记录。但数据躺在 DataFrame 里，你依然"看不见"它。人眼识别趋势的能力远强于阅读数字------一行 loss 从 2.3 降到 0.4 的数字你可能无感，但一条平滑下坠的曲线会立刻告诉你"模型在学"。

这一篇我们补上科学计算三件套的最后一块：Matplotlib。学完你会做这些事：画出训练/验证 loss 双曲线判断过拟合、画出数据分布直方图决定要不要截断、画出混淆矩阵热力图定位模型错在哪类、把实验结果批量出图存档。

一、先搞清楚 Matplotlib 的三层结构

很多初学者用 Matplotlib 用得很痛苦，是因为没搞清它的三层对象：

复制代码

Figure（画布，整张图）
 └── Axes（子图/坐标系，真正画图的地方）
      └── Artist（图上的一切元素：线、点、文字、刻度、图例...）

Figure 是"纸"，一张纸上可以画好几张小图；
Axes 是"坐标系"，一条折线图、一个直方图都活在 Axes 里；
Artist 是具体的线条、文字、刻度。

对应两种写法：

python 复制代码

import matplotlib.pyplot as plt

# 写法 A：plt.xxx（隐式，用"当前"的 Axes）------ 快，适合随手画
plt.plot([1, 2, 3], [1, 4, 9])
plt.title("quick plot")
plt.show()

# 写法 B：ax.xxx（显式面向对象）------ 推荐，画多子图时不会乱
fig, ax = plt.subplots(figsize=(6, 4))
ax.plot([1, 2, 3], [1, 4, 9])
ax.set_title("explicit plot")
plt.show()

建议从一开始就习惯写法 B ：fig, ax = plt.subplots()。因为一旦你要画 2×2 四张子图、要给每张图单独设标题和坐标轴，plt.xxx 就会开始"不知道自己在操作哪张图"。

二、折线图：训练 loss 曲线（最常用）

假设我们训练了 20 个 epoch，记录了 train/val loss：

python 复制代码

import matplotlib.pyplot as plt
import numpy as np

epochs = np.arange(1, 21)
train_loss = 2.3 * np.exp(-0.18 * epochs) + 0.15 + np.random.rand(20) * 0.05
val_loss   = 2.3 * np.exp(-0.12 * epochs) + 0.42 + np.random.rand(20) * 0.08
val_loss[12:] += 0.06 * (epochs[12:] - 12)   # 模拟后期过拟合回升

fig, ax = plt.subplots(figsize=(8, 5))
ax.plot(epochs, train_loss, marker="o", ms=4, lw=2, label="train loss")
ax.plot(epochs, val_loss,   marker="s", ms=4, lw=2, ls="--", label="val loss")

ax.set_xlabel("epoch")
ax.set_ylabel("loss")
ax.set_title("Training vs Validation Loss")
ax.legend()               # 显示图例（依赖 label=）
ax.grid(alpha=0.3)        # 淡网格，方便读数
plt.tight_layout()
plt.show()

怎么读这张图（这是真正重要的部分）：

现象	判断	该做什么
train↓ val↓	还在正常学习	继续训
train↓ val 平	接近收敛	可以降低学习率
train↓ val↑	过拟合	加正则/dropout、早停、加数据
train 平 val 平且都高	欠拟合	加大模型、加特征、调学习率
loss 剧烈震荡	学习率太大或 batch 太小	调小 lr / 增大 batch
loss 变 NaN	梯度爆炸或 lr 过大	梯度裁剪、降 lr、检查数据

这条"看曲线下诊断"的能力，是做模型训练最核心的实操技能之一。

三、多子图：subplots 一次出多张

对比实验时经常要并排放几张图：

python 复制代码

fig, axes = plt.subplots(1, 3, figsize=(15, 4))   # 1 行 3 列
axes = np.array(axes)   # 保证能用 axes[i] 索引

for i, lr in enumerate([0.1, 0.01, 0.001]):
    loss = 2.0 * np.exp(-lr * 50 * epochs / 20) + 0.2
    axes[i].plot(epochs, loss, color=f"C{i}")
    axes[i].set_title(f"lr={lr}")
    axes[i].set_xlabel("epoch")
    axes[i].set_ylabel("loss")
    axes[i].grid(alpha=0.3)

plt.suptitle("Learning Rate Comparison", fontsize=14)
plt.tight_layout()
plt.show()

figsize=(宽, 高) 单位是英寸，dpi 默认 100，所以 figsize=(8,5) 就是 800×500 像素。

四、直方图与散点图：看数据分布

大模型做数据清洗时，先看分布再动手，比瞎猜强一百倍。

python 复制代码

np.random.seed(0)
token_lens = np.random.gamma(shape=4, scale=60, size=5000)   # 模拟文本长度：长尾分布

fig, axes = plt.subplots(1, 2, figsize=(12, 4))

axes[0].hist(token_lens, bins=50, color="steelblue", edgecolor="white")
axes[0].axvline(np.mean(token_lens), color="r", ls="--", label=f"mean={np.mean(token_lens):.0f}")
axes[0].axvline(np.percentile(token_lens, 95), color="g", ls=":", label=f"p95={np.percentile(token_lens, 95):.0f}")
axes[0].set_title("Token Length Distribution")
axes[0].set_xlabel("tokens")
axes[0].set_ylabel("count")
axes[0].legend()

# 长尾分布看不清，画对数坐标
axes[1].hist(token_lens, bins=50, color="salmon", edgecolor="white", log=True)
axes[1].set_title("Same data, log scale on Y")
axes[1].set_xlabel("tokens")
axes[1].set_ylabel("count (log)")

plt.tight_layout()
plt.show()

实战意义 ：如果你在准备 RAG 语料或 SFT 数据集，这条分布图直接决定你的 max_length 和切分策略设多少------设太小丢信息，设太大浪费显存。业界常用 p95 分位数 当截断阈值，而不是拍脑袋写 512。

散点图用来看两个变量的关系：

python 复制代码

x = np.random.randn(300)
y = 0.7 * x + np.random.randn(300) * 0.4

fig, ax = plt.subplots(figsize=(6, 4))
ax.scatter(x, y, s=20, alpha=0.6, c=np.abs(y), cmap="viridis")
ax.set_xlabel("feature A")
ax.set_ylabel("feature B")
ax.set_title("Scatter with color mapping")
plt.colorbar(ax.collections[0], ax=ax, label="|y|")
plt.tight_layout()
plt.show()

五、柱状图：指标对比

python 复制代码

models = ["Baseline", "+Prompt", "+RAG", "+RAG+Finetune"]
acc = [0.52, 0.63, 0.78, 0.86]

fig, ax = plt.subplots(figsize=(7, 4))
bars = ax.bar(models, acc, color=["#ccc", "#7fb3d5", "#48a9a6", "#e76f51"])
ax.set_ylim(0, 1.0)
ax.set_ylabel("accuracy")
ax.set_title("Ablation Study")

for b, v in zip(bars, acc):        # 在柱顶标数值
    ax.text(b.get_x() + b.get_width()/2, v + 0.02, f"{v:.2f}", ha="center")

plt.tight_layout()
plt.show()

消融实验（ablation）柱状图是论文和汇报里的常客，一定要会画。

六、混淆矩阵热力图：定位模型错在哪

python 复制代码

from sklearn.metrics import confusion_matrix
import itertools

y_true = np.array([0]*30 + [1]*30 + [2]*30)
y_pred = y_true.copy()
noise = np.random.choice(len(y_true), 18, replace=False)
y_pred[noise] = np.random.randint(0, 3, 18)    # 注入一些错误预测

cm = confusion_matrix(y_true, y_pred)
classes = ["cat", "dog", "bird"]

fig, ax = plt.subplots(figsize=(5, 4))
im = ax.imshow(cm, cmap="Blues")
ax.set_xticks(range(3)); ax.set_xticklabels(classes)
ax.set_yticks(range(3)); ax.set_yticklabels(classes)
ax.set_xlabel("Predicted"); ax.set_ylabel("True")
ax.set_title("Confusion Matrix")

for i, j in itertools.product(range(3), range(3)):
    ax.text(j, i, cm[i, j], ha="center", va="center",
            color="white" if cm[i, j] > cm.max()/2 else "black")

plt.colorbar(im, ax=ax)
plt.tight_layout()
plt.show()

对角线越亮越好；非对角线上的亮点告诉你模型把哪两类搞混了，这比单看一个 accuracy 有信息量得多。

七、保存图片与中文显示

训练脚本通常跑在服务器上没界面，要存成文件：

python 复制代码

plt.savefig("loss_curve.png", dpi=150, bbox_inches="tight", facecolor="white")

dpi=150：清晰度，论文用 300；
bbox_inches="tight"：去掉白边，防止标签被裁掉；
savefig 必须写在 plt.show() 之前（show() 会清空画布）。

中文乱码是新手必踩的坑------Matplotlib 默认字体不含中文，画出来是方框：

python 复制代码

import matplotlib
matplotlib.rcParams["font.sans-serif"] = ["SimHei", "Arial Unicode MS", "Heiti TC"]
matplotlib.rcParams["axes.unicode_minus"] = False   # 解决负号变方块

macOS 用 Arial Unicode MS，Windows 用 SimHei，Linux 需要手动装中文字体。更稳的做法是换回英文标签------技术图表用英文标签其实是国际惯例，能避免一堆麻烦。

八、常见坑与注意事项

坑	现象	解决
中文变方框	图上 □□□	设 `font.sans-serif`，或干脆用英文
`savefig` 存出空白图	图片全白	`savefig` 要放在 `show()` 之前
多子图互相串	标题跑到别的图上	用 `ax.set_xxx` 而非 `plt.xxx`
Jupyter 里不显示	无输出	加 `%matplotlib inline`
内存泄漏	循环里画几千张图后卡死	每张图后 `plt.close(fig)`
图例不显示	`legend()` 空的	画图时必须传 `label=`
坐标轴重叠	标签糊在一起	`plt.tight_layout()`

服务端批量出图务必记得关图：

python 复制代码

for exp in experiments:
    fig, ax = plt.subplots()
    ax.plot(exp["loss"])
    fig.savefig(f"{exp['name']}.png")
    plt.close(fig)      # 关键！否则几千张图全驻留内存

九、本篇小结

Matplotlib 三层结构：Figure → Axes → Artist ，推荐 fig, ax = plt.subplots() 显式写法。
折线图看训练曲线，train/val 双线走势是判断过拟合、欠拟合、学习率是否合适的第一手依据。
直方图看分布 ，决定了 max_length、截断阈值等数据预处理参数（常用 p95）。
柱状图做消融对比 ，热力图画混淆矩阵定位错分类别。
保存用 savefig(dpi=150, bbox_inches="tight")，且必须在 show() 之前；循环出图记得 plt.close()。

到这里阶段 1 科学计算三件套完结：NumPy 负责算、Pandas 负责管、Matplotlib 负责看。这三样是后面所有实验的基础工具。

下一篇进入 阶段 2：数学基础。别紧张------我们不学证明，只学"大模型里真正用到的那几个概念"：向量与矩阵（注意力在算什么）、概率分布（模型怎么"选下一个词"）、导数与链式法则（反向传播凭什么能算梯度）。我会全程用 NumPy 代码把公式跑出来给你看。

本篇是《大模型开发从 0 到 1》专栏第 13 篇，阶段 1「科学计算三件套」第 3 篇。专栏文章按「分类专栏」归类，顺序学习体验最佳。