Hacktoberfest 2026 : les issues que les mainteneurs ont marquées pour octobre, ouvertes et accessibles aux débutants. Parcourir les issues Hacktoberfest

Plot of predictions with test data in Colab notebook doesn't make much sense

Ouverte
#3 0 commentaires 0 réactions 0 personnes assignées Voir sur GitHub

Personne n'a encore pris cette issue.

Évaluation

Difficulté
2/5
Temps estimé
1-3 heures
Accessibilité débutants
42/100
Type d'issue
Bug
Clarté
Plutôt claire
Activité
À l'abandon
Stack technique
jupyter-notebook, matplotlib, tensorflow

Piste de recherche

Ouvrez le notebook Colab et examinez la section finale "Plot the predictions along with to the test data", en la comparant avec l’exemple TensorFlow Lite lié. Exécutez le notebook jusqu’à l’entraînement et révisez le graphique afin qu’il représente les données de test et les prédictions de manière pertinente, sans l’avertissement de dépréciation Matplotlib signalé.

Rédigé par le modèle d'indexation à partir du texte de l'issue.

Description

In the Colab notebook, after the training we plot some graphs.
The last one, which is "Plot the predictions along with to the test data", is literally taken from a standard TensorFlow Lite example notebook (see https://colab.research.google.com/github/tensorflow/tensorflow/blob/master/tensorflow/lite/experimental/micro/examples/hello_world/create_sine_model.ipynb#scrollTo=L_vE-ZDkHVxe )
but does not make much sense in this context.

Besides that, the code for that plot currently (ab)uses a deprecated matplotlib behaviour

/usr/local/lib/python3.6/dist-packages/matplotlib/axes/_base.py:380: MatplotlibDeprecationWarning: 
cycling among columns of inputs with non-matching shapes is deprecated.

which also suggests that the current plot is a bit nonsensical.

Langage dominant
Jupyter Notebook
Étoiles
269
Forks
122
Métriques de merge des PR
Aucune PR mergée en 30 j

Préparer son environnement

Ce projet ne fournit ni conteneur de développement, ni Dockerfile, ni guide de contribution : l'installation est à votre charge. Commencez par son README, et consultez notre guide de la première contribution pour les étapes générales.

Par où commencer

  1. Lisez l'issue en entier, puis le guide de contribution du projet.
  2. Signalez en commentaire que vous la prenez — cela évite que deux personnes fassent le même travail.
  3. Forkez le dépôt et travaillez sur une branche.
  4. Ouvrez une pull request qui référence le numéro de l'issue.

Autres issues de arduino/ArduinoTensorFlowLiteTutorials

Toutes les issues de arduino/ArduinoTensorFlowLiteTutorials

Issues similaires

Plus d'issues Data Visualization

Recevez les nouvelles issues par e-mail

Un résumé court des issues GitHub adaptées aux débutants.