In [1]:
%pylab inline
style.use('ggplot')
Read more about PSF stars finding tool gapick in astwro documentation.
gapick wrotes several results into directory specified by --out_dir parameter. Set path to results dir below:
In [4]:
resultpath = '~/tmp/gapick_fine'
Checkout the content of this directory
In [5]:
import os
os.chdir(os.path.expanduser(resultpath))
In [6]:
!ls
For each generation of GA there are three files:
genXXX.gen - dump of all individuals as boolean matrixgenXXX.lst - daophot LST file with PSF stars of best individualgenXXX.reg - DS9 region file corresponding to LST fileAlso, there are three links to most recent versions of that files:
In [7]:
!ls -l gen_last.*
Such links are maintained during execution of gapick script which allows partial results analysis while script is running.
*.gen files structure is shown below:
In [8]:
!head gen_last.gen
Each line is one individual, each column is one candidate star. 1 means that candidate is a member of individual.
Moreover there is about.txt with information about parameters:
In [2]:
!cat about.txt
Also several optput files of daophot commands are included, as well as opt files with used configuration.
logbook.pkl file contains statistics collected by deap module during evolution.
In [10]:
import deap, pickle
In [11]:
f = open('logbook.pkl')
logbook = pickle.load(f)
Plot values of chi, and number of selected stars, against generation number
In [12]:
gen = logbook.select('gen')
chi_mins = logbook.chapters["fitness"].select("min")
stars_avgs = logbook.chapters["size"].select("avg")
In [1]:
fig, ax1 = subplots()
fig.set_size_inches(10,6)
line1 = ax1.plot(gen, chi_mins, "b-", label="Minimum chi")
ax1.set_xlabel("Generation")
ax1.set_ylabel("chi", color="b")
for tl in ax1.get_yticklabels():
tl.set_color("b")
ax2 = ax1.twinx()
line2 = ax2.plot(gen, stars_avgs, "r-", label="Average stars number")
ax2.set_ylabel("stars", color="r")
for tl in ax2.get_yticklabels():
tl.set_color("r")
lns = line1 + line2
labs = [l.get_label() for l in lns]
ax1.legend(lns, labs, loc="center right")
show()
Spośród wszystkich gwiazd, algorytm wybrał 100 (domyślna wartość parametru --stars_to_pick) kandydatów przy pomocy polecenia daophot PICK. Następnie poleceniem PSF obliczył point spread function na postawie tego pełnego zbioru i uzyskał błędy dopasowania profilu dla tych gwiazd (Profile errors zwracane przez daophot PSF).
Z początkowej listy kandydatów odrzycił gwiazdy których błąd dopasowania profilu przekracza 0.1 (domyślna wartość parametru --max_psf_err). W tym przypadku pozostało 99 gwiazd.
W dalszej ewolucji jedynie spośród tych 99 gwiazd wybierane były gwiazdy do PSF.
Użytkownik, zamiast zdawać się na PICK, może również wskazać swoją listę początkowych kandydatów (paramter --lst_file).
Dla początkowych zbirów gwiazd individuals pierwszej generacji, wybierani byli kandydaci z prawdopodobieństwem 0.3 (domyślna wartość parametru --ga_init_prob) co dało średnio 30 gwiazd w zbiorze. Average stars number ma właśnie wartość około 30 dla zerowej generacji na wykresie. Później wartość ta ustabilizowała się w zakresie 45-50 gwiazd.
Wykres pokazuje też minimalizację parametru chi z generacji na generację, przy czym po 40 generacji spadek ten jest już bardzo nieznaczny.
Kolejny wykres pokazuje które gwiazdy były najczęściej wybierane w kolejnych generacjach. Kolor na przecięciu generacji i gwiazdy-kandydata wskazuje w jak wielu zbiorach danej generacji występowała gwiazda.
In [14]:
spectrum = logbook.select('spectrum')
x_starno = range(len(spectrum[0]))
In [15]:
fig, ax1 = plt.subplots()
fig.set_size_inches(30,10)
#cont = ax1.contourf(x_starno, gen, spectrum)
cont = ax1.imshow(spectrum, interpolation='nearest', cmap=plt.cm.YlGnBu)
ax1.set_xlabel("Star")
ax1.set_ylabel("Generation")
plt.colorbar(cont)
plt.show()
#plt.contourf(range(99), gen, spectrum)
Na wykresie widać jak w ciągu około 20 populacji wyłaniają się wyraźni liderzy. Niemniej również w późniejszych generacjach występują zmiany. Pomiędzy 70 a 80 generacją algorytm "wymienił" jedną z gwiazd na inną, ktora w poczatkowych generacjach nie była preferowana.
Zgodnie z sugestią mojego promotora, dr. Gabrieli Michalskiej, przyjżałem się również jak przebiega ewolucja dla różnych ilości gwiazd w zbiorach wyjściowej generacji.
Parametr --init_prob $x$ określa prawdopodobieństwo z jakim kandydat zostanie wylosowany do zbioru pierwszej generacji. Jeżeli, przykładowo skrypt wyznacza poleceniem daophot PICK 100 (wartość domyślna) kandydatów spośród których szukamy gwaizd do PSF, to początkowe zbiory miały średnio liczności $100 x$
Provide set of results dir and labels it below:
In [16]:
resultpaths = [
'~/tmp/gapick_fine',
'~/tmp/gapick_simple',
]
labels = [
'fine',
'simple',
]
Pobranie danych logów z wyników
In [18]:
logbook = []
resultpaths = [os.path.expanduser(p) for p in resultpaths]
for p in resultpaths:
f = open(os.path.join(p,'logbook.pkl'))
logbook.append(pickle.load(f))
gens = []
chi_min = []
stars_av = []
for l in logbook:
gens.append(l.select('gen'))
chi_min.append(l.chapters["fitness"].select("min"))
stars_av.append(l.chapters["size"].select("avg"))
In [25]:
fig, ax = subplots(2, 1, sharex=True)
fig.set_size_inches(10,10)
for c, d, gen in zip(chi_min, labels, gens):
ax[0].plot(gen, c, label="Min chi ({})".format(d))
ax[0].set_ylabel("chi")
ax[0].legend(loc="upper right")
ax[0].tick_params(axis='y', which='both', labelleft='on', labelright='on')
for s, d, gen in zip (stars_av, labels, gens):
ax[1].plot(gen, s, label="Av stars no ({})".format(d))
ax[1].set_ylabel("stars")
ax[1].legend(loc="lower right")
ax[1].tick_params(axis='y', which='both', labelleft='on', labelright='on')
ax[1].set_xlabel("Generation")
show()
Sprawdźmy jak różne bądź podobne są skrajne rozwiązania, zestawiając "histogramy" ich przebiegu.
In [22]:
spectrum = [ l.select('spectrum') for l in logbook]
x_starno = range(len(spectrum[0][0]))
In [24]:
fig, ax = subplots(2,1)
fig.subplots_adjust(hspace=0)
fig.set_size_inches(10,10)
ax[1].set_ylim(0, len(gen)) # flip
ax[0].imshow(spectrum[0], interpolation='nearest', cmap=plt.cm.YlGnBu)
ax[1].imshow(spectrum[-1], interpolation='nearest', cmap=plt.cm.YlGnBu)
ax[0].set_xlabel("Star")
ax[0].set_ylabel("Generation, ({})".format(labels[0]))
ax[1].set_ylabel("Generation, ({})".format(labels[-1]))
#plt.colorbar(cont)
plt.show()
Widać, że wparawdzie część gwiazd występuje w wynikach obu ewolucji, generalnie ostateczny obraz jest wyraźnie różny.