啊是的没错，之前为了看数据方便些，训练时难免会遇到存tensorboardX的习惯，但是直接往里面add_image的图片是不带colorbar的，这看起来很难受啊，所以就更倾向于直接让matplotlib先画图
原本是这样的思路，直接plt.figure()后一顿操作，最后plt.save(‘float_image.png’),然后再重新用PIL和numpy打开
plt.figure()
"""drawing..."""
plt.save('float_image.png')
plt.close()
"""reopen image file,which waste too much time"""
np_img = np.array(Image.open('float_image.png'))[:, :, 0:3]
writer = SummaryWriter()
writer.add_image('figure image', np_img,1, dataformats='HWC')
writer.close()from tensorboardX import SummaryWriter
from PIL import Image
import matplotlib.pyplot as plt
import numpy as np
这种方法可行，但是，，，浪费时间，是真的频繁调用文件操作浪费时间，而且有时候还会出现这种极度美艳的场景，虽然我也不知道是为什么但是这种事情就很…美妙
然后就是考虑直接读不行吗？于是就找到了tensorboard的文档在 TensorBoard 中显示图像数据 | TensorFlow (google.cn)
这个文档里是直接读的，但是读的时候用的是tf.image.decode_png就很难受，能不能有一个避开使用tensorflow的方法啊
numpy还真的可以，直接用np.asarray()
现在就相当于是把figure对象保留到内存里，然后直接让PIL处理内存中的图像，省去文件读写能让速度快不少
figure = plt.figure()
"""drawing... and save the plot to a image in memory. """
buf = io.BytesIO()
plt.savefig(buf, format='png')
plt.close(figure)
"""Convert image buffer to numpy """
buf.seek(0) # change pointer to the begin of image buffer
np_img = np.asarray(Image.open(buf))[:, :, 0:3]
writer = SummaryWriter()
writer.add_image('figure image', np_img ,1 , dataformats='HWC')
writer.close()from tensorboardX import SummaryWriter
from PIL import Image
import matplotlib.pyplot as plt
import numpy as np
import io当然，这是个没什么用的冷知识
看网友也有写的比较简洁的这里也引用一下
from PIL import Image
from io import BytesIO
img = np.ones((256,256,3), dtype=np.uint8)
plt.figure()
plt.imshow(img, cmap='gray')
buffer = BytesIO()
plt.savefig(buffer, format='png')
new_img = np.asarray(Image.open(buffer)) # new_img就是figure的数组
plt.close()
buffer.close()