三条命令出图AI-Scientist 科研图表可视化把 run 目录变成论文插图【免费下载链接】AI-ScientistThe AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 项目地址: https://gitcode.com/GitHub_Trending/ai/AI-Scientist跑完一轮 GPU 实验硬盘里只剩一堆 run 目录和 JSON 文件。AI-Scientist 科研图表可视化的做法很直接模板自带的绘图脚本扫描这些目录均值线、误差带、散点样本图按顺序生成 PNG再嵌进 LaTeX 模板编译成 PDF。本文按真实模板代码走一遍数据落在哪、图从哪来、改哪里。先看效果两条命令拿到训练曲线和样本图在 2d_diffusion 模板里跑完基线再执行画图脚本train_loss.png四个数据集的损失曲线和generated_images.png生成样本散点就躺在当前目录里templates/2d_diffusion/plot.py 就是生成它们的文件。cd templates/2d_diffusion python experiment.py --out_dir run_0 python plot.py数据从实验中来标准 JSON 喂给绘图脚本绘图脚本不读训练代码只读每个 run 目录里的两类文件final_info.json均值与总结指标和all_results逐步轨迹grokking 模板存.npy2d_diffusion 模板存.pkl。README 说得很直白——文件名和 JSON 格式对上其余随便改。统计量也在 plot.py 里现算跨 run 求均值标准差除以根号 n 得标准误fill_between把误差带填在曲线上下2D 模板额外对损失曲线做 25 点 Hanning 平滑。别漏掉 run_0 基线它和你的机器强相关换硬件后重新跑一次后续所有 run 和它比才站得住。按场景选图表六种常见需求去哪里改收敛曲线带误差带grokking 模板的train_loss.png多个 run 自动叠成多色线生成样本质量2d_diffusion 的generated_images.png每行一个 run每列一个数据集多数据集对比同一脚本里的 2×2 子图一格一个数据集跨方法性能对比从各 run 的final_info.json取指标均值自己加一组 bar超参扫描模板没有现成热力图在 plot.py 里加网格遍历逻辑消融图从final_info.json提数画柱状图改动量最小所有图改哪个 run 上图、图例叫什么都集中在 plot.py 顶部的 labels 字典里。让图表符合发表要求改样式、批量跑、定格式样式由 LaTeX 模板定死图随latex/下的 template.tex 排版走想动字体和版面就去改它。批量实验加--parallel N按 GPU 数开进程每个 idea 一个独立结果目录各自出图互不干扰。图以 PNG 形式嵌进 PDF要 SVG 或 EPS改 savefig 那一行就行。三步跑一遍跑实验、出图、调样式装好 conda 环境、API key 和 pdflatexREADME 的 Requirements 一节有完整步骤然后cd templates/grokking python experiment.py --out_dir run_0 # 基线机器相关必须自跑python launch_scientist.py --model gpt-4o-2024-05-13 --experiment grokking --num-ideas 2# 调样式后重画 python plot.py改 plot.py 里的 tab20 调色板、labels、figsize重跑即得新版图。这套流程把读 JSON、算均值、画误差带、嵌进模板的重复劳动固化成模板里的脚本模板在templates/入口是 launch_scientist.py。【免费下载链接】AI-ScientistThe AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 项目地址: https://gitcode.com/GitHub_Trending/ai/AI-Scientist创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 三条命令出图：AI-Scientist 科研图表可视化把 run 目录变成论文插图
三条命令出图AI-Scientist 科研图表可视化把 run 目录变成论文插图【免费下载链接】AI-ScientistThe AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 项目地址: https://gitcode.com/GitHub_Trending/ai/AI-Scientist跑完一轮 GPU 实验硬盘里只剩一堆 run 目录和 JSON 文件。AI-Scientist 科研图表可视化的做法很直接模板自带的绘图脚本扫描这些目录均值线、误差带、散点样本图按顺序生成 PNG再嵌进 LaTeX 模板编译成 PDF。本文按真实模板代码走一遍数据落在哪、图从哪来、改哪里。先看效果两条命令拿到训练曲线和样本图在 2d_diffusion 模板里跑完基线再执行画图脚本train_loss.png四个数据集的损失曲线和generated_images.png生成样本散点就躺在当前目录里templates/2d_diffusion/plot.py 就是生成它们的文件。cd templates/2d_diffusion python experiment.py --out_dir run_0 python plot.py数据从实验中来标准 JSON 喂给绘图脚本绘图脚本不读训练代码只读每个 run 目录里的两类文件final_info.json均值与总结指标和all_results逐步轨迹grokking 模板存.npy2d_diffusion 模板存.pkl。README 说得很直白——文件名和 JSON 格式对上其余随便改。统计量也在 plot.py 里现算跨 run 求均值标准差除以根号 n 得标准误fill_between把误差带填在曲线上下2D 模板额外对损失曲线做 25 点 Hanning 平滑。别漏掉 run_0 基线它和你的机器强相关换硬件后重新跑一次后续所有 run 和它比才站得住。按场景选图表六种常见需求去哪里改收敛曲线带误差带grokking 模板的train_loss.png多个 run 自动叠成多色线生成样本质量2d_diffusion 的generated_images.png每行一个 run每列一个数据集多数据集对比同一脚本里的 2×2 子图一格一个数据集跨方法性能对比从各 run 的final_info.json取指标均值自己加一组 bar超参扫描模板没有现成热力图在 plot.py 里加网格遍历逻辑消融图从final_info.json提数画柱状图改动量最小所有图改哪个 run 上图、图例叫什么都集中在 plot.py 顶部的 labels 字典里。让图表符合发表要求改样式、批量跑、定格式样式由 LaTeX 模板定死图随latex/下的 template.tex 排版走想动字体和版面就去改它。批量实验加--parallel N按 GPU 数开进程每个 idea 一个独立结果目录各自出图互不干扰。图以 PNG 形式嵌进 PDF要 SVG 或 EPS改 savefig 那一行就行。三步跑一遍跑实验、出图、调样式装好 conda 环境、API key 和 pdflatexREADME 的 Requirements 一节有完整步骤然后cd templates/grokking python experiment.py --out_dir run_0 # 基线机器相关必须自跑python launch_scientist.py --model gpt-4o-2024-05-13 --experiment grokking --num-ideas 2# 调样式后重画 python plot.py改 plot.py 里的 tab20 调色板、labels、figsize重跑即得新版图。这套流程把读 JSON、算均值、画误差带、嵌进模板的重复劳动固化成模板里的脚本模板在templates/入口是 launch_scientist.py。【免费下载链接】AI-ScientistThe AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 项目地址: https://gitcode.com/GitHub_Trending/ai/AI-Scientist创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考