import numpy as np import matplotlib.pyplot as plt from matplotlib import rcParams import matplotlib as mpl # ---------------------- 全局样式设置（确保图表美观统一） ---------------------- # 支持中文显示 - 使用更通用的字体配置 mpl.rcParams["font.family"] = ["WenQuanYi Micro Hei", "Heiti TC", "Arial Unicode MS", "sans-serif"] mpl.rcParams["axes.unicode_minus"] = False # 正确显示负号 # 配置LaTeX字体，确保公式中的中文正常显示 rcParams.update({ "font.size": 10, # 基础字体大小 "axes.labelsize": 10, # 坐标轴标签大小 "axes.titlesize": 10, # 子图标题大小 "legend.fontsize": 8, # 图例字体大小 "xtick.labelsize": 8, # x轴刻度标签大小 "ytick.labelsize": 8, # y轴刻度标签大小 "axes.linewidth": 0.8, # 坐标轴边框粗细 "lines.linewidth": 1.2, # 曲线线条粗细 "xtick.major.width": 0.8, # x轴主刻度线粗细 "ytick.major.width": 0.8, # y轴主刻度线粗细 "xtick.minor.width": 0.6, # x轴次刻度线粗细 "ytick.minor.width": 0.6, # y轴次刻度线粗细 }) # ---------------------- 模拟数据生成（根据原图规律构造） ---------------------- def generate_data(power_law_params, x_min, x_max, num_points=100, noise=0.1): """生成符合幂律分布的数据，带误差带""" _, b, exponent = power_law_params # 幂律公式：L = (x / b)^exponent x = np.logspace(np.log10(x_min), np.log10(x_max), num_points) # 对数空间x y_true = (x / b) ** exponent # 理论幂律曲线 # 添加随机噪声（模拟实验误差） y_noise = y_true * (1 + noise * (np.random.rand(num_points) - 0.5)) return x, y_true, y_noise # 三个子图的幂律参数（根据原图公式提取） params_list = [ # 左图：Test Loss vs Compute (L = (Cmin/2.3e8)^-0.050) {"power_law": (1, 2.3e8, -0.050), "x_min": 1e-9, "x_max": 1e1, "y_label": "测试损失", "x_label": "计算量", "x_units": "PF-days, 非嵌入层", "line_style": "--", "color": "#E67E22"}, # 中图：Test Loss vs Dataset Size (L = (D/5.4e13)^-0.095) {"power_law": (1, 5.4e13, -0.095), "x_min": 1e7, "x_max": 1e9, "y_label": "", "x_label": "数据集大小", "x_units": "tokens", "line_style": "-", "color": "#3498DB"}, # 右图：Test Loss vs Parameters (L = (N/8.8e13)^-0.076) {"power_law": (1, 8.8e13, -0.076), "x_min": 1e5, "x_max": 1e9, "y_label": "", "x_label": "参数数量", "x_units": "非嵌入层", "line_style": "-", "color": "#3498DB"}, ] # ---------------------- 创建多子图并绘制 ---------------------- # 使用constrained_layout替代tight_layout，提供更好的兼容性 fig, axes = plt.subplots(1, 3, figsize=(15, 4), dpi=300, gridspec_kw={"wspace": 0.3}, constrained_layout=True) # 1行3列子图，调整间距 for i, ax in enumerate(axes): params = params_list[i] _, b, exponent = params["power_law"] x, y_true, y_noise = generate_data( power_law_params=params["power_law"], x_min=params["x_min"], x_max=params["x_max"], noise=0.05 # 噪声大小（左图误差带较宽，可适当调大） ) # 1. 绘制误差带（浅蓝色半透明区域） if i == 0: # 仅左图显示误差带（原图风格） ax.fill_between( x, y_true * 0.8, # 误差带下边界 y_true * 1.2, # 误差带上边界 color="#AED6F1", alpha=0.3, edgecolor="none" ) # 叠加噪声散点（模拟实验数据点，左图较密集） ax.scatter(x, y_noise, s=5, color="#85C1E9", alpha=0.5) # 2. 绘制幂律拟合曲线 # 修复公式显示问题，使用更可靠的LaTeX语法 x_label_short = params["x_label"].split()[0] b_formatted = f"{b:.1e}".replace("e+", " \\times 10^{") + "}" formula = rf'$L=({x_label_short}/{b_formatted})^{{{exponent:.3f}}}$' ax.plot( x, y_true, linestyle=params["line_style"], color=params["color"], linewidth=2, label=formula ) # 3. 右图和中图添加数据点 if i in [1, 2]: # 均匀采样10个点作为"实验数据点" sample_indices = np.linspace(0, len(x) - 1, 10, dtype=int) ax.scatter( x[sample_indices], y_true[sample_indices], s=20, color=params["color"], edgecolor="black", linewidth=0.5, zorder=5 # 置于曲线上方 ) # 4. 设置坐标轴（对数刻度） ax.set_xscale("log") ax.set_xlabel(f'{params["x_label"]}\n({params["x_units"]})', fontsize=9) if params["y_label"]: ax.set_ylabel(params["y_label"], fontsize=9) # 5. 调整坐标轴范围 if i == 0: ax.set_ylim(2, 7) # 左图y轴范围：2-7 else: ax.set_ylim(2.5, 5.8) # 右图和中图y轴范围：2.5-5.8 # 6. 添加图例（公式标签） ax.legend(frameon=True, framealpha=0.9, loc="upper right", fontsize=8) # 7. 美化坐标轴刻度（去除顶部和右侧边框） ax.spines["top"].set_visible(False) ax.spines["right"].set_visible(False) # ---------------------- 显示图片 ---------------------- plt.show()