好的，下面是将所有绘制图表的操作整合到一个Python脚本中，并依次生成四张独立的图像文件。我们将所有的绘图操作放在一个函数内，以便更好地组织代码并提高复用性。 ### 整合后的代码 ```python import matplotlib.pyplot as plt def plot_and_save_metrics(num_epochs, train_loss_list, val_loss_list, miou_list, dice_list, hd_list, fold): x = list(range(num_epochs)) # 定义横轴范围 def save_plot(y_data, title, ylabel, filename_suffix): """辅助函数用于简化绘图和保存流程""" plt.figure(figsize=(6, 4)) if isinstance(y_data[0], tuple): # 处理有两条线的情况 for data, label in y_data: plt.plot(x, data, label=label) else: plt.plot(x, y_data, label=ylabel) plt.title(title) plt.xlabel('Epochs') plt.ylabel(ylabel) plt.legend() plt.tight_layout() plt.savefig(f'result/losspic/SAUNet/fold_{fold + 1}_{filename_suffix}.png') plt.close() # 绘制训练损失与验证损失对比图 save_plot([(train_loss_list, 'Train Loss'), (val_loss_list, 'Val Loss')], 'Loss vs. Epochs', 'Loss', 'train_val_loss') # 绘制平均交并比(mIOU)变化趋势图 save_plot(miou_list, 'mIOU vs. Epochs', 'mIOU', 'miou_vs_epoch') # 绘制Dice系数变化趋势图 save_plot(dice_list, 'Dice vs. Epochs', 'Dice', 'dice_vs_epoch') # 绘制Hausdorff距离(HD)变化趋势图 save_plot(hd_list, 'HD vs. Epochs', 'HD', 'hd_vs_epoch') # 示例调用（假设已准备好所需的列表） if __name__ == "__main__": num_epochs = 50 # 假设有50个epoch train_loss_list = [i * 0.1 for i in range(num_epochs)] # 模拟训练损失值 val_loss_list = [(i / 2) * 0.1 for i in range(num_epochs)] # 模拟验证损失值 miou_list = [i * 0.02 for i in range(num_epochs)] # 模拟mIOU值 dice_list = [i * 0.03 for i in range(num_epochs)] # 模拟Dice值 hd_list = [i * 0.04 for i in range(num_epochs)] # 模拟HD值 fold = 0 # 折叠编号从0开始计数 plot_and_save_metrics(num_epochs, train_loss_list, val_loss_list, miou_list, dice_list, hd_list, fold) ``` ### 解释： - **主函数** `plot_and_save_metrics` 接收必要的参数如 epoch 数、各类损失及评估指标列表以及折叠编号。 - **辅助函数** `save_plot` 简化了绘图和保存的过程，减少了冗余代码量；对于有两个线条的情况也进行了适配处理。 - 在最后提供了一个简单的例子来演示如何使用该功能模块。当然，在实际应用中你需要根据具体情况传入真实的数值序列。 --- #### 注意事项： - 运行此脚本前，请确保目录 `result/losspic/SAUNet/` 存在并且具有写权限。 - 根据实际情况调整模拟数据的部分为真实模型产生的数据。