企业官网建设流程全解析

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.npy，2d_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 pdflatex（README 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