Hlavní navigace

Jupyter Notebook – operace s rastrovými obrázky a UML diagramy, literate programming

30. 4. 2020
Doba čtení: 31 minut

Sdílet

 Autor: Depositphotos
Jednou z předností Jupyter Notebooku je jeho schopnost integrovat v rámci diáře různé typy textů (včetně zdrojových kódů), rastrových obrázků i vektorových kreseb. Kromě grafů tak lze pracovat s obrázky či UML diagramy.

Obsah

1. Jupyter Notebook – operace s rastrovými obrázky a UML diagramy, literate programming

2. Konverze diáře do zdrojového kódu Pythonu

3. Práce s rastrovými obrázky

4. Změna velikosti obrázku

5. Vykreslování na úrovni pixelů

6. Načtení obrázku z externího souboru

7. Vykreslování základních 2D primitiv

8. Aplikace jednoduchých konvolučních filtrů

9. Integrace Jupyter Notebooku s PlantUML

10. Diagram aktivit

11. Diagram tříd

12. Stavové diagramy

13. Hierarchické členění stavových diagramů

14. Tvorba sekvenčních diagramů v PlantUML

15. Složitější příklady

16. Jupyter Notebook a literate programming

17. Ukázka diáře s popisem všech kroků

18. Export diáře do dalších formátů

19. Repositář s demonstračními příklady

20. Odkazy na Internetu

1. Jupyter Notebook – operace s rastrovými obrázky a UML diagramy, literate programming

Již v perexu dnešního článku jsme se zmínili o jedné velké přednosti Jupyter Notebooku – o jeho schopnosti integrace textů, popř. speciálních textů (zdrojových kódů, MathML, Markdownu) s rastrovými obrázky (typicky PNG a JPEG), s vektorovými kresbami (SVG) a v případě potřeby dokonce i s animacemi. Tuto schopnost jsme si ukázali v dvojici článků [1][2] o knihovně Matplotlib, ovšem ve skutečnosti jsou možnosti Jupyter Notebooku v této oblasti mnohem rozsáhlejší a neomezené na „pouhé grafy funkcí“. Dnes si ukážeme, jakým způsobem lze pracovat s rastrovými obrázky, provádět přímo jejich úpravy (interaktivně) atd. Navíc lze s vhodnými moduly do diářů integrovat i UML diagramy, které jsou vykreslovány nástrojem PlantUML. Právě na příkladu integrace PlantUML je patrné, že do diářů lze vkládat i vektorové kresby ve formátu SVG.

*

Obrázek 1: Lorenzův atraktor vykreslený demonstračním příkladem popsaným v předchozím článku, v němž jsme se zabývali převážně popisem možností Matplotlibu.

V závěru článku se – prozatím ovšem jen ve stručnosti a nepříliš přesně – seznámíme s termínem „literate programming“ i s tím, jak tento koncept souvisí s vlastním Jupyter Notebookem.

*

Obrázek 2: Plocha funkce z=f(x,y) používající barvovou mapu pojmenovanou „coolwarm“. Opět se jedná o příklad vysvětlený minule.

2. Konverze diáře do zdrojového kódu Pythonu

Před popisem použití rastrových obrázků a UML diagramů si však ještě ukažme, jakým způsobem je možné vyexportovat obsah diáře do formy zdrojového kódu (skriptu) v Pythonu. Takový skript lze v některých případech přímo spustit z příkazové řádky (v závislosti na obsahu diáře – ne vždy je to možné), popř. ho otevřít v IPythonu. Konverze do Pythonu se provádí buď přímo z grafického uživatelského rozhraní Jupyter Notebooku nebo – což bývá při práci na více diářích lepší – z příkazové řádky:

$ jupyter nbconvert --to script raster_image.ipynb

Výsledek může pro tento diář vypadat následovně:

# coding: utf-8
 
# In[36]:
 
 
import numpy as np
from matplotlib import pyplot as plt
 
 
# In[37]:
 
 
raster = np.zeros(shape=(450, 450, 3), dtype=np.uint8)
 
 
# In[38]:
 
 
plt.imshow(raster)
 
 
# In[39]:
 
 
plt.show()

Pro porovnání si ukažme obsah původního diáře:

Obrázek 3: Obsah původního diáře.

Můžeme vidět, že se samotné příkazy Pythonu převedly korektně a ostatní informace (například názvy buňek) jsou zapsány v poznámkách.

Poznámka: výše uvedený kód je plně spustitelný a funkční i z příkazové řádky.

3. Práce s rastrovými obrázky

Jak jsme si již řekli v úvodní kapitole, je možné v Jupyter Notebooku zobrazit rastrové obrázky a to nejenom statické obrázky uložené na lokálním disku (i to je však užitečné), ale především obrázky, které se získají nějakým algoritmem. Ve skutečnosti existuje hned několik způsobů, jak toho dosáhnout. Pravděpodobně nejjednodušší (i když nikoli nejrychlejší) je použití knihovny Numpy v kombinaci s Matplotlibem. V Numpy totiž můžeme vytvořit trojrozměrné pole reprezentující jednotlivé pixely obrázku. Prvky tohoto pole mají typ uint8 a samotné pole má formát výškaךířka×3, kde 3 představuje tři barvové složky barvového prostoru RGB. Zdroj pro prázdný (černý) obrázek o velikosti 450×450 pixelů se tedy vytvoří takto:

raster = np.zeros(shape=(450, 450, 3), dtype=np.uint8)

Barvové složky RGB mají hodnoty od 0 (nejnižší intenzita) do 255 (nejvyšší intenzita).

Poznámka: toto pole je v operační paměti uloženo podobně, jako je tomu ve Fortranu nebo céčku (způsob uložení si lze vybrat). Pole v Numpy jsou tedy v mnoha ohledech odlišná od vnořených seznamů či n-tic Pythonu.

O zobrazení obsahu tohoto pole se postará knihovna Matplotlib, a to například takto:

plt.imshow(raster)
 
plt.show()

Obrázek 4: Toto je obrázek vložený do diáře.

Poznámka: opět platí, že se jedná o nejjednodušší způsob, který však v grafu ponechává souřadné osy a může obrázek zvětšit či zmenšit (s volitelnou interpolací). Osobně se nám ale souřadné osy zrovna v tomto kontextu mohou hodit.

Celý skript (obsah diáře) může vypadat takto:

import numpy as np
from matplotlib import pyplot as plt
 
raster = np.zeros(shape=(450, 450, 3), dtype=np.uint8)
 
plt.imshow(raster)
 
plt.show()

Výsledný diář i s obrázkem je na adrese https://github.com/tisnik/jupyter-notebook-examples/blob/master/raster_i­mage.ipynb.

4. Změna velikosti obrázku

Rastrový obrázek je možné na ploše Jupyter Notebooku do jisté míry zvětšit. Trik spočívá v použití příkazu plt.figure (dokumentace), kterému se kromě ID grafu předají rozměry v palcích a popř. i očekávané rozlišení výstupu (což pro obrazovku nebude přesné). Následně se na ploše notebooku vytvoří potřebné místo a do něj se graf zobrazí:

plt.figure(1, figsize=(8,6), dpi=100)
plt.imshow(raster)

Na výsledném diáři bude mít zobrazený obrázek velikost přibližně 500×500 pixelů.

Obrázek 5: Zvětšený obrázek vložený do diáře.

Celý skript, který je možné vložit do diáře:

import numpy as np
from matplotlib import pyplot as plt
 
raster = np.zeros(shape=(450, 450, 3), dtype=np.uint8)
 
plt.figure(1, figsize=(8,6), dpi=100)
plt.imshow(raster)
 
plt.show()
Poznámka: i když se odstraní popisky os a spočítá se rozlišení obrázku v palcích (z rozměru zadaného v pixelech), může se stát, že kvůli zaokrouhlovacím chybám nebude mapování pixelů obrázku na pixely obrazovky zcela přesné.

5. Vykreslování na úrovni pixelů

Hlavním důvodem, proč je rastrový obrázek reprezentován trojrozměrným polem spravovaným knihovnou Numpy je fakt, že je v tomto případě velmi snadné měnit barvy pixelů takového obrázku. Může se například jednat o výsledky simulací apod. Ostatně podívejme se na jednoduchý příklad, v němž se do obrázku vykreslí barevné přechody mezi zelenou a bílou barvou, přičemž se v horizontální ose mění červená barvová složka a ve směru vertikální složky barva modrá. Složka zelená je nastavena na nejvyšší intenzitu 255:

for y in range(HEIGHT):
    for x in range(WIDTH):
        raster[y][x][0] = x
        raster[y][x][1] = 255
        raster[y][x][2] = y

Obrázek 6: Vykreslený obrázek vložený do diáře.

Pro větší přehlednost je možné nadefinovat i indexy barvových složek:

RED = 0
GREEN = 1
BLUE = 2
 
for y in range(HEIGHT):
    for x in range(WIDTH):
        raster[y][x][RED] = x
        raster[y][x][GREEN] = 255
        raster[y][x][BLUE] = y

Celý skript vložený do tohoto diáře vypadá následovně:

import numpy as np
from matplotlib import pyplot as plt
 
WIDTH = 256
HEIGHT = 256
raster = np.zeros(shape=(HEIGHT, WIDTH, 3), dtype=np.uint8)
 
for y in range(HEIGHT):
    for x in range(WIDTH):
        raster[y][x][0] = x
        raster[y][x][1] = 255
        raster[y][x][2] = y
 
plt.figure(1, figsize=(8,6), dpi=100)
plt.imshow(raster)
 
plt.show()

6. Načtení obrázku z externího souboru

Pro načtení obrázku z externího souboru je možné použít například knihovnu PIL/Pillow, která umožňuje práci s rastrovými obrázky uloženými v mnoha podporovaných formátech, aplikaci různých filtrů na obrázky, manipulaci s jednotlivými pixely, kreslení základních geometrických tvarů i textů do obrázků apod. Pro načtení rastrového obrázku slouží funkce Image.open(), které je nutné předat jméno souboru s rastrovým obrázkem a volitelně taktéž režim přístupu k souboru (implicitně „r“ – značící režim čtení). Ze jména souboru a především pak z jeho hlavičky si knihovna Pillow odvodí formát souboru a použije příslušnou specializovanou třídu pro načtení a dekódování obrazových dat. S obrázkem je možné dále pracovat stejným způsobem (alespoň zdánlivě), jako tomu bylo v předchozích příkladech:

import numpy as np
from PIL import Image
from matplotlib import pyplot as plt
 
filename="house.png"
img = Image.open(filename)
 
plt.figure(1, figsize=(6,6), dpi=100)
plt.imshow(img)
 
plt.show()

Obrázek 7: Testovací bitmapa použitá i v dalších příkladech.

Příslušný diář je dostupný na adrese https://github.com/tisnik/jupyter-notebook-examples/blob/master/raster_i­mage_load.ipynb.

Ve chvíli, kdy je obrázek úspěšně načten a dekódován, je ve skriptu reprezentován objektem typu Image. To mj. znamená, že máme přístup ke všem metodám tohoto objektu, resp. přesněji řečeno k metodám deklarovaným přímo ve třídě Image.. Kromě toho lze přistupovat i k atributům objektu typu Image, přičemž tyto atributy nesou základní informace o zpracovávaném obrázku.

Atribut format obsahuje formát souboru, ze kterého byl obrázek načten, popř. hodnotu None pro obrázky vzniklé programově. V atributu size jsou uloženy rozměry obrázku a jelikož jsou rastrové obrázky dvourozměrné, je hodnotou atributu size dvojice (tuple) obsahující horizontální rozlišení (tj. počet pixelů na obrazovém řádku) a rozlišení vertikální (tj. počet obrazových řádků). A konečně atribut mode obsahuje informaci o tom, jaký barvový prostor je použit („L“, „RGB“ atd.).

7. Vykreslování základních 2D primitiv

Po popisu nízkoúrovňových kreslicích operací se podívejme na způsob vykreslování základních dvourozměrných entit, tj. především úseček, kružnic, oblouků, ale například i textu. Tyto operace jsou realizovány přes objekt získaný zavoláním konstruktoru ImageDraw.Draw(), kterému předáme referenci na již existující rastrový obrázek. Obrázek nejprve načteme tak, jak jsme již zvyklí:

filename="house.png"
img = Image.open(filename)

Následně zavoláme konstruktor ImageDraw.Draw():

draw = ImageDraw.Draw(img)

Po tomto řádku je již možné vykreslovat všechny podporované 2D entity. A po vykreslení je vhodné (i když nikoli nutné) objekt explicitně uvolnit z paměti:

# explicitní vymazání objektu umožňujícího kreslení
del draw
Poznámka: Tuto poslední operaci se doporučuje používat ve chvíli, kdy celý program zpracovává desítky a stovky obrázků.

Základní vysokoúrovňovou kreslicí operací je operace určená pro nakreslení obyčejné úsečky. Tato operace je realizována metodou line, které se typicky předává n-tice obsahující koncové prvky úsečky, tedy body [x1, y1] a [x2, y2]:

(x1, y1, x2, y2)

Dále se typicky této metodě předává barva úsečky, a to přes nepovinný (pojmenovaný) parametr fill. Hodnotou tohoto parametru je trojice představující barvu v RGB prostoru:

draw.line((x1, y1, x2, y2), fill=(255, 255, 255))

Pro nakreslení úsečky se používá klasický Bresenhamův algoritmus, který ovšem (ve své původní podobě) nedokáže využít antialiasing. To nám ovšem nebude vadit protože budeme vykreslovat mřížku složenou pouze z vodorovných a svislých úseček. Nejprve vytvoříme objekt typu Draw a následně zjistíme rozměry obrázku přečtením atributu Image.size. Následuje vykreslení svislých a posléze vodorovných úseček:

import numpy as np
from PIL import Image, ImageDraw
from matplotlib import pyplot as plt
 
filename="house.png"
img = Image.open(filename)
 
draw = ImageDraw.Draw(img)
width, height = img.size[0], img.size[1]
 
for x in range(0, width, 16):
    draw.line((x, 0, x, height-1), fill=(255, 255, 255))
 
for y in range(0, height, 16):
    draw.line((0, y, width-1, y), fill=(255, 255, 255))
 
size = 2*width/72
plt.figure(1, figsize=(size,size), dpi=100)
plt.imshow(img, interpolation="none")
 
plt.show()

Viz též příslušný diář.

Obrázek 8: Výsledný rastrový obrázek.

8. Aplikace jednoduchých konvolučních filtrů

Knihovna Pillow obsahuje poměrně velké množství (konvolučních) filtrů, které je možné aplikovat na upravované rastrové obrázky. Popišme si nyní ten nejjednodušší filtr: při úpravách fotografií nebo naskenovaných obrázků se poměrně často můžeme setkat s požadavkem na odstranění šumu z obrazu nebo z jeho vybrané části. Nejjednodušším a taktéž nejrychlejším filtrem, který dokáže odstranit vysoké frekvence v obrazu a tím i šum (bohužel spolu s ostrými hranami) je filtr nazvaný příznačně Blur. Tento filtr pracuje velmi jednoduše – spočítá průměrnou hodnotu sousedních pixelů tvořících pravidelný blok a tuto hodnotu uloží do pixelu ležícího přesně uprostřed bloku (operace je samozřejmě provedena pro všechny pixely v obrazu). Výsledkem je sice obraz s odstraněným vysokofrekvenčním šumem, ale současně s potlačením šumu došlo k rozmazání všech jednopixelových hran na přechody široké minimálně tři pixely.

Filtr typu Blur zmíněný v předchozím textu, se na již načtený obrázek aplikuje velmi jednoduše s tím, že výsledkem aplikace filtru bude nový (rozmazaný) obrázek:

blurred_image = test_image.filter(ImageFilter.BLUR)

Obrázek 9: Rozmazání obrázku.

První skript použitelný v diáři:

import numpy as np
from PIL import Image, ImageFilter
from matplotlib import pyplot as plt
 
filename="house.png"
img = Image.open(filename)
 
blurred = img.filter(ImageFilter.BLUR)
 
plt.figure(1, figsize=(8,6), dpi=100)
plt.imshow(blurred)
 
plt.show()

Ve druhém příkladu, který se liší pouze parametrem metody img.filter, jsou v obrázku nalezeny a zvýrazněny hrany, opět pomocí obyčejného konvolučního filtru:

Obrázek 10: Nalezení hran konvolučním filtrem.

Druhý skript použitelný v dalším diáři:

import numpy as np
from PIL import Image, ImageFilter
from matplotlib import pyplot as plt
 
filename="house.png"
img = Image.open(filename)
 
edges = img.filter(ImageFilter.FIND_EDGES)
 
plt.figure(1, figsize=(6,6), dpi=100)
plt.imshow(edges)
 
plt.show()

9. Integrace Jupyter Notebooku s PlantUML

Ve druhém článku si ukážeme integraci nástroje PlantUML s Jupyter Notebookem.

Nástroj PlantUML (http://plantuml.sourceforge.net/) dokáže na základě textového popisu UML diagramu vytvořit bitmapový obrázek či SVG s tímto diagramem, přičemž uživatel může do jisté míry ovlivnit způsob jeho vykreslení, přidat popis hran apod. V současné verzi PlantUML je podporováno mnoho typů UML diagramů, zejména: diagram aktivit, stavový diagram, diagram tříd, diagram objektů, diagram komponent, diagram užití a sekvenční diagram. Ve skutečnosti sice UML popisuje i další typy diagramů, ovšem PlantUML s velkou pravděpodobností dokáže pokrýt většinu potřeb analytiků i programátorů, protože v nabídce podporovaných diagramů jsou zastoupeny všechny tři kategorie: popis struktury informačního systému, popis chování informačního systému a popis interakce či komunikace. PlantUML je naprogramovaný v Javě, ovšem jedná se o relativně malý program, který pro svůj běh nevyžaduje enormní množství zdrojů (diskový prostor, RAM atd.). Pro uživatele PlantUML je na adrese http://sourceforge.net/pro­jects/plantuml/files/plan­tuml.jar/download k dispozici spustitelný Java archiv, dále je vhodné si stáhnout referenční příručku k jazyku z adresy http://plantuml.sourcefor­ge.net/PlantUML_Language_Re­ference_Guide.pdf.

Poznámka: ve skutečnosti dokonce ani nemusí být nutné PlantUML instalovat, protože je k dispozici server, který vykreslení diagramu dokáže provést automaticky. Daní za tuto jednoduchost je fakt, že se diagram (zdrojový kód) posílá do cizí služby.

Jediný balíček, který je nutné nainstalovat, je podpora pro volání serveru PlantUML z Jupyter Notebooku. Tato instalace je triviální:

$ pip3 install --user iplantuml

10. Diagram aktivit

Klasické vývojové diagramy sice nejsou v UML přímo podporovány, ale existuje zde velmi podobný typ diagramu nazvaný diagram aktivit. Tímto diagramem je možné do jisté míry nahradit vývojové diagramy s větvením i programovými smyčkami. Diagram aktivit lze v PlantUML vytvořit velmi jednoduchým způsobem, což si ostatně ukážeme na několika demonstračních příkladech (diářích).

První příklad obsahuje definici diagramu aktivit, který obsahuje jen jedinou akci, tj. uzel představující většinou dále nedělený krok, který se v systému provádí. Diagram obsahuje symbol inicializace (černá tečka), koncový bod (kružnice s černou tečkou uprostřed) a uzel s prováděným krokem. Mezi symbolem inicializace a uzlem je nakreslena šipka, podobná šipka je pak nakreslena mezi uzlem a koncovým bodem. V PlantUML je tento diagram představován následujícím kódem (textovým souborem). Povšimněte si použití symbolů (*) jak pro symbol inicializace, tak i pro koncový bod:

@startuml
(*) --> "Aktivita"
"Aktivita" --> (*)
@enduml

Obrázek 11: Diagram aktivit vygenerovaný z předchozího zdrojového kódu.

Deklarace začíná řádkem @startuml a končí řádkem @enduml. Zajímavé je, že není nutné uvádět typ diagramu – ten je odvozen z kontextu.

Jak již bylo řečeno v předchozí kapitole, je možné při tvorbě diagramů s využitím nástroje PlantUML ovlivnit způsob vykreslení diagramu. V mnoha případech se nevyhneme přidání popisu k jednotlivým šipkám diagramu aktivit, což lze zajistit zápisem poznámky do hranatých závorek:

@startuml
(*) --> [začátek procesu] "Aktivita1"
--> [zpracování požadavku] "Aktivita2"
--> [konec procesu] (*)
@enduml

Obrázek 12: Diagram aktivit. Uzly jsou v tomto diagramu umístěny pod sebe.

Taktéž je možné změnit uspořádání uzlů (a tím pádem i směr šipek). Namísto symbolu → představujícího šipku je možné alternativně použít:

  1. -down→ odpovídá běžné šipce směřující (šikmo) dolů
  2. -right→ šipka orientovaná doprava
  3. → stejný význam jako má předchozí symbol
  4. -left→ šipka orientovaná doleva
  5. -up→ šipka orientovaná nahoru

Zkusme si nyní předchozí diagram změnit takovým způsobem, aby byly všechny uzly umístěné v jedné horizontální rovině. Úprava je ve skutečnosti velmi jednoduchá:

@startuml
(*) -right-> [začátek procesu] "Aktivita1"
-right-> [zpracování požadavku] "Aktivita2"
-right-> [konec procesu] (*)
@enduml

Obrázek 13: Diagram aktivit vygenerovaný ze zdrojového kódu pátého příkladu. Nyní jsou všechny uzly zobrazeny v jedné horizontální rovině.

Velmi důležitou součástí naprosté většiny diagramů aktivit je rozvětvení. To je reprezentováno malým kosočtvercem, takže se tento prvek diagramu podobá rozvětvení používaného v klasickém vývojovém diagramu, ovšem s tím rozdílem, že se podmínka pro rozvětvení může (ale nemusí) psát do předchozího kroku (zde si dovolím sémantiku diagramu aktivit nepatrně pozměnit, protože samotné rozvětvení není v diagramu aktivit chápáno jako samostatný krok). Pojďme si nyní ukázat, jak by se postupovalo při vytváření diagramu analogickému známému vtípku o univerzálním návodu na opravu všeho: http://joyreactor.com/post/287235. Zde se již setkáme s potřebou větvení, které se do diagramu aktivit zapisuje – což mnoho programátorů patrně potěší – pomocí slov if, then, else a endif. Jednoduché rozvětvení může být zapsáno následovně:

@startuml
(*) --> "Does it move?"
if "" then
--> [yes] "WD-40"
else
--> [no] "Duct Tape"
endif
"WD-40" --> (*)
"Duct Tape" --> (*)
@enduml

Pro lepší názornost je možné jednotlivé podvětve zvýraznit odsazením, které je samozřejmě taktéž podporováno:

@startuml
(*) --> "Does it move?"
 
if "" then
 
    --> [yes] "Should it?" as s1
    if "" then
        --> [yes] "No problem" as np1
        np1 --> (*)
    else
        --> [no] "Use duct tape" as tape
        tape --> (*)
    endif
 
else
 
    --> [no] "Should it?" as s2
    if "" then
        --> [yes] "Use WD-40" as wd40
        wd40 --> (*)
    else
        --> [no] "No problem" as np2
        np2 --> (*)
    endif
 
endif
 
@enduml

Obrázek 14: Návod jak opravit vše.

Poznámka: všechny výše popsané varianty diagramu aktivit jsou použité v diáři na adrese https://github.com/tisnik/jupyter-notebook-examples/blob/master/plan­tuml_activity_diagrams.ipyn­b.

11. Diagram tříd

Druhým velmi často používaným diagramem definovaným ve standardu UML je diagram tříd (class diagram). V tomto typu diagramu je možné zobrazit jednoduché i složitější vztahy mezi třídami, například fakt, že třída Boolean je potomkem třídy Object (příklad je převzatý z Javy):

@startuml
Object <|-- Boolean
@enduml

Obrázek 15: Vztah mezi třídami Object a Boolean zobrazený v diagramu tříd.

Můžeme samozřejmě zobrazit i vazby mezi větším počtem tříd. Povšimněte si, že nikde není zapotřebí specifikovat, že se má zobrazit diagram tříd a ne diagram aktivit: toto rozhodnutí provede PlantUML automaticky:

@startuml
Object <|-- Boolean
Object <|-- String
Object <|-- Number
Number <|-- Integer
Number <|-- Double
@enduml
Poznámka: automatické rozhodnutí o typu grafu je provedeno na základě jeho obsahu, tj. o jaké uzly se jedná a jak jsou mezi sebou propojeny.

Obrázek 16: Vztahy mezi větším počtem tříd.

V případě, že je nutné zvýraznit i přístupová práva k atributům, je vhodnější použít alternativní způsob zápisu metadat o třídě. Ten se podobá zápisu deklarace třídy v C++ či Javě, přičemž znaky se speciálním významem před názvem atributu určují viditelnost i přístupová práva:

@startuml
class TestClass {
-privateField
#protectedField
~packageProtectedField
+publicField
}
@enduml

Obrázek 17: Třída s atributy, které mají různá přístupová práva.

Pro úplnost doplňme třídu i o metody s různými přístupovými právy:

@startuml
class TestClass {
-privateField
#protectedField
~packageProtectedField
+publicField
-privateMethod()
#protectedMethod()
~packageProtectedMethod()
+publicMethod()
}
@enduml

Obrázek 18: Třída s atributy a metodami, které mají různá přístupová práva. Povšimněte si oddělení atributů od metod, to je provedeno automaticky.

Vše je opět ukázáno v diáři, nyní konkrétně na adrese https://github.com/tisnik/jupyter-notebook-examples/blob/master/plan­tuml_class_diagrams.ipynb.

12. Stavové diagramy

Velmi často používaným typem UML diagramů jsou stavové diagramy neboli state diagrams, které lze využít pro popis konečného počtu stavů popisovaného systému a především pak přechodů mezi jednotlivými stavy (navíc se zde objevuje koncept událostí). Ve své nejjednodušší podobě je možné stavovým diagramem reprezentovat klasický stavový automat, ovšem možnosti UML jsou v tomto případě ještě rozšířeny o takzvané pseudostavy. Příkladem pseudostavu může být rozvětvení (fork) či naopak spojení (join), popř. pseudostav rozhodování (ten však nemá stejný význam, jako rozvětvení používané v případě výše popsaného diagramu aktivit). V následujících kapitolách si ukážeme, jakým způsobem je možné stavové diagramy vykreslovat v nástroji PlantUML i to, jak lze stavové diagramy hierarchicky rozdělovat, což je v případě složitějších systémů nezbytné pro zachování srozumitelnosti a současně i dostatečné podrobnosti stavového diagramu.

V nástroji PlantUML se pro tvorbu stavových diagramů používá především symbol -->, jímž se značí přechod mezi dvěma stavy systému. Na levé i pravé straně tohoto symbolu se může v nejjednodušším případě nacházet jméno stavu, popř. speciální symbol [*] značící buď počáteční pseudostav (initial state) popř. koncový pseudostav (final state). Podívejme se nyní na nejjednodušší možný stavový diagram, který obsahuje jeden normální stav, počáteční pseudostav a koncový pseudostav. Najdeme zde i dvojici přechodů. První přechod je vytvořen mezi počátečním pseudostavem a jediným stavem automatu, další přechod pak mezi tímto stavem a koncovým pseudostavem:

@startuml
 
[*] --> Stav
Stav --> [*]
 
@enduml

Obrázek 19: První stavový diagram.

Poznámka: na rozdíl od diagramu aktivit se zde tedy používají symboly [*] a nikoli (*).

Stavový diagram samozřejmě můžeme dále rozšiřovat. Ve výchozím nastavení se jednotlivé stavy kreslí pod sebe, ovšem ve chvíli, kdy se namísto symbolu --> použije symbol ->, dokáže PlantUML tyto stavy vykreslit vedle sebe:

@startuml
 
[*] --> Stav1
Stav1 --> [*]
 
Stav1 -> Stav2
Stav2 --> [*]
 
@enduml

Obrázek 20: Druhý stavový diagram.

Podívejme se nyní na nepatrně složitější diagram se třemi různými stavy reprezentujícími tři základní skupenství vody (za běžných podmínek). Tento diagram nám bude v dalším textu sloužit jako základ pro další rozšiřování a vylepšování (počáteční a koncový pseudostav je zde uveden pro úplnost a taktéž proto, aby PlantUML korektně rozpoznal, jaký diagram má nakreslit):

@startuml
 
[*] --> Led
Led --> Kapalina
Kapalina --> Pára
Pára --> Led
 
@enduml

Obrázek 21: Třetí stavový diagram.

Diagram vytvořený předchozím příkladem ve skutečnosti není zcela korektní, protože neobsahuje všechny fyzikálně možné přechody mezi třemi skupenstvími vody. Musíme tedy diagram rozšířit i o další tři přechody. To je v našem případě velmi snadné, což je ostatně patrné i při pohledu na následující zdrojový kód. Povšimněte si, že každý stav je zde zmíněn několikrát:

@startuml
 
[*] --> Led
 
Led --> Kapalina
Kapalina --> Led
 
Kapalina --> Pára
Pára --> Kapalina
 
Pára --> Led
Led --> Pára
 
@enduml

Obrázek 22: Čtvrtý stavový diagram s přechody oběma směry.

K jednotlivým přechodům je možné přidat i popis, což je v praxi velmi důležité. U našeho demonstračního příkladu je popis jednoduchý – stavy představují skupenství vody, přechody pak proces vedoucí ke změně skupenství – vypařování, zkapalnění, tání, tuhnutí, sublimace a desublimace:

@startuml
 
[*] --> Led
 
Led --> Kapalina :tání
Kapalina --> Led :tuhnutí
 
Kapalina --> Pára :vypařování
Pára --> Kapalina :zkapalnění
 
Pára --> Led :desublimace
Led --> Pára :sublimace
 
@enduml

Obrázek 23: Pátý stavový diagram s popisem přechodů.

Vizuálně nepěkné vzájemné posunutí jednotlivých uzlů diagramu lze snadno (i když ne zcela přesně) „usměrnit“ pomocí symbolu ->, kterým se vedle sebe umístí uzly s názvy „Led“ a „Kapalina“:

@startuml
 
[*] --> Led
 
Kapalina -> Led :tuhnutí
Led -> Kapalina :tání
 
Kapalina --> Pára :vypařování
Pára --> Kapalina :zkapalnění
 
Pára --> Led :desublimace
Led --> Pára :sublimace
 
@enduml

Obrázek 24: Šestý stavový diagram – dva uzly se nachází na stejné horizontální úrovni.

Pro doplnění lze k jednotlivým uzlům (tedy stavům, skupenstvím) přiřadit i další text. Nejjednodušeji to lze provést tak, jak je naznačeno v dalším příkladu – uvedou se jména uzlů, dvojtečka a libovolný text, který je do uzlů přidán:

@startuml
 
[*] --> Led
 
Kapalina -> Led :tuhnutí
Led -> Kapalina :tání
 
Kapalina --> Pára :vypařování
Pára --> Kapalina :zkapalnění
 
Pára --> Led :desublimace
Led --> Pára :sublimace
 
Kapalina: 0°C až 100°C
Led: < 0°C
Pára: > 100°C
 
@enduml

Obrázek 27: Sedmý stavový diagram. Ke všem uzlům byl přidán další text.

Vše je možné si interaktivně vyzkoušet v diáři umístěném na adrese https://github.com/tisnik/jupyter-notebook-examples/blob/master/plan­tuml_state_diagrams.ipynb.

13. Hierarchické členění stavových diagramů

Mnoho systémů je tak složitých, že jejich popis s využitím pouze jediného „plochého“ stavového diagramu by byl značně nepřehledný. V tuto chvíli se však dá využít další vlastnost UML podporovaná i nástrojem PlantUML. Jedná se o hierarchické rozčlenění stavového diagramu na podcelky. Podívejme se na další demonstrační příklad, v němž je první i druhý stav rozdělen na dva stavové poddiagramy. Ty jsou popsány v samostatné sekci uzavřené do bloku začínajícího klíčovým slovem state, za nímž následuje jméno stavu, který se má rozložit:

@startuml
[*] --> Stav1
Stav1 --> Stav2
Stav2 --> Stav1
 
state Stav1 {
    [*] --> Podstav11
    Podstav11 -> Podstav12
    Podstav12 --> Podstav13
    Podstav13 --> [*]
}
 
state Stav2 {
    [*] -> Podstav21
    Podstav21 -> Podstav22
    Podstav22 -> [*]
}
 
@enduml

Obrázek 28: Stavový diagram, v němž jsou oba dva hlavní stavy rozčleněny do několika podstavů.

Uveďme si ještě jeden příklad hierarchicky rozčleněného stavového diagramu. Některé uzly hlavního diagramu i jeho podcelků jsou umístěny pod sebou, další uzly pak vedle sebe. Toho lze dosáhnout, jak jsme si již řekli výše, vhodnou kombinací symbolů -> a -->:

@startuml
[*] --> Stav1
Stav1 --> Stav2
Stav1 --> Stav3
Stav2 -> Stav3
Stav2 --> Stav4
Stav3 --> Stav4
Stav4 --> [*]
 
state Stav1 {
    [*] --> Podstav11
    Podstav11 -> Podstav12
    Podstav12 --> Podstav13
    Podstav13 -left> [*]
}
 
state Stav2 {
    [*] --> Podstav21
    Podstav21 --> Podstav22
    Podstav22 --> [*]
}
 
state Stav3 {
    [*] --> Podstav31
    Podstav31 --> Podstav32
    Podstav32 --> [*]
}
 
state Stav4 {
    [*] -> Podstav41
    Podstav41 -> Podstav42
    Podstav42 -> [*]
}
 
@enduml

Obrázek 29: Poslední stavový diagram. Vzájemné umístění uzlů je řízeno uživatelem.

14. Tvorba sekvenčních diagramů v PlantUML

Stavové diagramy popsané v předchozích kapitolách sice dokážou názorně popsat stavy systému i možné přechody mezi jednotlivými stavy, ovšem v mnoha případech vzniká potřeba podrobněji popsat i interakci mezi popisovaným systémem a jeho okolím, interakci mezi dvěma nebo více moduly systému či (na té nejpodrobnější úrovni) interakci probíhající mezi jednotlivými objekty, z nichž se systém skládá. Pro tento účel slouží v jazyku UML sekvenční diagramy (sequence diagrams), v nichž lze velmi názorným způsobem naznačit časovou posloupnost posílání zpráv mezi různými typy objektů, popř. k zobrazené posloupnosti zpráv přidat další komentáře a značky. Jeden z typických a poměrně často v praxi používaných příkladů použití sekvenčních diagramů je popis komunikace s využitím síťových i jiných protokolů. Ostatně právě na síťovém protokolu (navázání spojení a zrušení spojení) si sekvenční diagramy ukážeme prakticky v navazujícím textu.

Nejjednodušší sekvenční diagram je možné v nástroji PlantUML deklarovat následujícím způsobem. Pomocí symbolu -> je naznačeno poslání zprávy mezi dvojicí objektů, v tomto případě mezi klientem a serverem. Sekvenční diagram neobsahuje žádné počáteční ani koncové pseudostavy, což je jeden z rozpoznávacích znaků mezi sekvenčním diagramem a stavovým diagramem. Proto také při odstranění pseudostavů může PlantUML automaticky změnit stavový diagram za diagram sekvenční, což je samozřejmě chyba:

@startuml
 
Client -> Server: SYN
 
@enduml

Obrázek 30: Sekvenční diagram vytvořený na základě předchozího demonstračního příkladu.

Druhý příklad je nepatrně složitější a ukazuje způsob navázání komunikace v protokolu TCP (tzv. three-way handshake):

@startuml
 
Client -> Server: SYN
Server -> Client: SYN-ACK
Client -> Server: ACK
 
@enduml

Obrázek 31: Sekvenční diagram vytvořený na základě dalšího demonstračního příkladu.

U sekvenčních diagramů se velmi často objevuje potřeba okomentovat jednotlivé zprávy. To zajistí klíčové slovo note doplněné o informaci, na které straně diagramu se má komentář objevit (left, right).

@startuml
 
autonumber
title TCP: Connection termination
 
Client -[#red]> Server: FIN
 
note left: endpoint wishes to stop its half of the connection
 
Client <[#green]- Server: ACK
 
note right: other end acknowledges with an ACK
 
Client <[#red]- Server: FIN
Client -[#green]> Server: ACK
 
@enduml

Obrázek 32: Upravený sekvenční diagram.

Tento diagram (i s příslušnými popiskami) naleznete na diáři dostupném na adrese https://github.com/tisnik/jupyter-notebook-examples/blob/master/plan­tuml_sequence_diagram.ipyn­b.

15. Složitější příklady

V dalším notebooku je definován složitější sekvenční diagram popisující relativně jednoduchý systém (pipeline) pro analýzu dat získávaných z Kafky a S3 bucketů:

@startuml
hide footbox
title Data pipeline flow
 
entity "Kafka\ninput" as kafka1 #99ff99
database S3
box "Data pipeline" #LightBlue
    control Consumer
    control Downloader
    control Executor
    control Producer
end box
entity "Kafka\nresults" as kafka2 #ccccff
 
kafka1 --> Consumer : Notification about new data
Consumer --> Downloader : Download data
Downloader --> S3 : Read data from S3 bucket
S3 --> Downloader : Here's required data
Downloader --> Consumer : Here's required data
Consumer --> Executor : Run executor
Executor --> Consumer : Return report
Consumer --> Producer : Results\nin JSON format
Producer --> kafka2 : Publish\nresults\nin JSON format
 
@enduml

A konečně poslední příklad, tentokrát s diagramem modulárního systému (jedná se o umělý příklad získaný z reálného UML, ovšem značně zjednodušeného):

@startuml
 
[Projected service] as service #99ff99
[Microservice2] as microservice2 #ccccff
[Microservice1] as microservice1
[Amazon S3] as s3
 
package "UI" {
  [Displayed data]
}
 
interface "REST API" as service_http
service -- service_http
 
interface "REST API" as microservice1_api
microservice1 -- microservice1_api
 
interface "Go SDK" as go_sdk
go_sdk -> s3
 
service_http - microservice2
microservice2 - microservice1_api
microservice2 --> go_sdk
 
note right of microservice1
    Provide credentials
    needed to access AWS S3
end note
 
note right of s3
    Store data into specified
    bucket under
    selected file name
end note
 
s3 --> UI
 
@enduml

16. Jupyter Notebook a literate programming

„„Změňme náš tradiční pohled na tvorbu programů. Místo toho abychom předepsali počítači co má dělat, zkusme vysvětlovat lidským bytostem co chceme, aby počítač dělal. ‚Literární‘ programátor může být srovnáván s esejistou, jehož hlavním cílem je srozumitelné vysvětlení a vybroušený styl. Takový autor vybírá s tezaurem v ruce názvy proměnných a vysvětluje účel každé z nich. Snaží se napsat program, který je srozumitelný, protože jeho principy jsou popsány způsobem, který odpovídá lidskému myšlení a používá k tomu formální i neformální prostředky, které se navzájem doplňují.““
Donald Knuth

Jupyter Notebook a podobné nástroje jsou velmi dobře připraveny i na styl zápisu programů, pro který slavný Donald Knuth vymyslel název „literate programming“ a který použil například při vývoji TeXu. Jedná se o takový styl, ve kterém je průběžně v běžném jazyce vysvětlováno, co se má provést a jaký je očekáván výsledek. Mezi tímto slovním popisem se pak nachází jednotlivé kroky programu. Ovšem pozor – nejedná se zde o běžné dokumentační řetězce, v nichž se typicky popisuje, co provádí daný blok programu (typicky třída, metoda či funkce). Díky tomu, že v Jupyter Notebooku lze kombinovat buňky s textem s buňkami obsahujícími kód a jeho výsledky, je možné i v běžných diářích tento styl používat.

17. Ukázka diáře s popisem všech kroků

Diář, který kromě vlastních kroků pro s analýzami a výpočty obsahuje i okomentovaný postup, lze nalézt na adrese https://github.com/tisnik/jupyter-notebook-examples/blob/master/consu­mer_benchmarks.ipynb. V žádném případě se však nejedná o finální verzi – tu dopracujeme příště.

18. Export diáře do dalších formátů

Diář, například ten zmíněný v předchozí kapitole, lze z Jupyter Notebooku v případě potřeby vyexportovat do dalších formátů. Můžeme se například pokusit o export do Markdownu, což ovšem bude úspěšné jen částečně, a to z toho důvodu, že standardní Markdown neobsahuje podporu pro tabulky. Ty tedy musí být vloženy pomocí HTML. Grafy jsou vyexportovány do rastrových obrázků uložených v samostatném podadresáři:

$ jupyter nbconvert --to markdown consumer_benchmarks.ipynb

Podobně lze vygenerovat slajdy (pokud jsou správně definovány v diáři), a to příkazem:

CS24 tip temata

$ jupyter nbconvert --to slides consumer_benchmarks.ipynb 
Poznámka: podporovány jsou i exporty do dalších formátů, včetně LaTeXu, PDF nebo AsciiDocu. Pro tyto typy exportů je však nutné mít nainstalován systém Pandoc
, jehož popisu bude věnován samostatný článek. Mimochodem – Pandoc je prakticky celý naprogramován v Haskellu.

19. Repositář s demonstračními příklady

Všechny demonstrační příklady (resp. přesněji řečeno diáře), s nimiž jsme se seznámili v předchozích kapitolách, byly uloženy do Git repositáře umístěného na GitHubu (https://github.com/tisnik/jupyter-notebook-examples/). Poslední verze souborů s diáři naleznete pod odkazy uvedenými v tabulce pod tímto odstavcem. Diář by se měl otevřít přímo v rámci stránky GitHubu:

# Příklad Popis Zdrojový kód
1 raster_image.ipynb vytvoření prázdného (černého) rastrového obrázku s jeho zobrazením https://github.com/tisnik/jupyter-notebook-examples/blob/master/raster_i­mage.ipynb
2 raster_image_size.ipynb změna velikosti obrázku https://github.com/tisnik/jupyter-notebook-examples/blob/master/raster_i­mage_size.ipynb
3 raster_image_rendering.ipynb vykreslování na úrovni pixelů https://github.com/tisnik/jupyter-notebook-examples/blob/master/raster_i­mage_rendering.ipynb
4 raster_image_load.ipynb načtení obrázku z externího souboru https://github.com/tisnik/jupyter-notebook-examples/blob/master/raster_i­mage_load.ipynb
5 raster_image_drawing.ipynb vykreslování základních 2D primitiv https://github.com/tisnik/jupyter-notebook-examples/blob/master/raster_i­mage_drawing.ipynb
6 raster_image_filter.ipynb aplikace jednoduchých konvolučních filtrů – rozmazání https://github.com/tisnik/jupyter-notebook-examples/blob/master/raster_i­mage_filter.ipynb
7 raster_image_filter_find_edges.ipynb aplikace jednoduchých konvolučních filtrů – zvýraznění hran https://github.com/tisnik/jupyter-notebook-examples/blob/master/raster_i­mage_filter_find_edges.ipynb
     
8 plantuml_activity_diagrams.ipynb diagramy aktivit https://github.com/tisnik/jupyter-notebook-examples/blob/master/plan­tuml_activity_diagrams.ipynb
9 plantuml_class_diagrams.ipynb diagramy tříd https://github.com/tisnik/jupyter-notebook-examples/blob/master/plan­tuml_class_diagrams.ipynb
10 plantuml_state_diagrams.ipynb stavové diagramy https://github.com/tisnik/jupyter-notebook-examples/blob/master/plan­tuml_state_diagrams.ipynb
11 plantuml_sequence_diagram.ipynb sekvenční diagramy https://github.com/tisnik/jupyter-notebook-examples/blob/master/plan­tuml_sequence_diagram.ipynb
12 plantuml_sequence_diagram2.ipynb sekvenční diagramy https://github.com/tisnik/jupyter-notebook-examples/blob/master/plan­tuml_sequence_diagram2.ipynb
13 plantuml_modules.ipynb moduly složitějšího systému https://github.com/tisnik/jupyter-notebook-examples/blob/master/plan­tuml_modules.ipynb
     
14 consumer_benchmarks.ipynb první verze rozsáhlejšího diáře https://github.com/tisnik/jupyter-notebook-examples/blob/master/consu­mer_benchmarks.ipynb

Skripty naprogramované v Pythonu pro přímé použití (spuštění):

# Příklad Popis Zdrojový kód
1 raster_image.py vytvoření prázdného (černého) rastrového obrázku s jeho zobrazením https://github.com/tisnik/jupyter-notebook-examples/blob/master/raas­ter_images/raster_image.py
2 raster_image_size.py změna velikosti obrázku https://github.com/tisnik/jupyter-notebook-examples/blob/master/raas­ter_images/raster_image_si­ze.py
3 raster_image_rendering.py vykreslování na úrovni pixelů https://github.com/tisnik/jupyter-notebook-examples/blob/master/raas­ter_images/raster_image_ren­dering.py
4 raster_image_load.py načtení obrázku z externího souboru https://github.com/tisnik/jupyter-notebook-examples/blob/master/raas­ter_images/raster_image_lo­ad.py
5 raster_image_drawing.py vykreslování základních 2D primitiv https://github.com/tisnik/jupyter-notebook-examples/blob/master/raas­ter_images/raster_image_dra­wing.py
6 raster_image_filter.py aplikace jednoduchých konvolučních filtrů – rozmazání https://github.com/tisnik/jupyter-notebook-examples/blob/master/raas­ter_images/raster_image_fil­ter.py
7 raster_image_filter_find_edges.py aplikace jednoduchých konvolučních filtrů – zvýraznění hran https://github.com/tisnik/jupyter-notebook-examples/blob/master/raas­ter_images/raster_image_fil­ter_find_edges.py

20. Odkazy na Internetu

  1. Notebook interface
    https://en.wikipedia.org/wi­ki/Notebook_interface
  2. Jypyter: open source, interactive data science and scientific computing across over 40 programming languages
    https://jupyter.org/
  3. Matplotlib Home Page
    http://matplotlib.org/
  4. Matplotlib (Wikipedia)
    https://en.wikipedia.org/wi­ki/Matplotlib
  5. Popis barvových map modulu matplotlib.cm
    https://gist.github.com/en­dolith/2719900#id7
  6. Ukázky (palety) barvových map modulu matplotlib.cm
    http://matplotlib.org/exam­ples/color/colormaps_refe­rence.html
  7. Galerie grafů vytvořených v Matplotlibu
    https://matplotlib.org/3.2.1/gallery/
  8. showcase example code: xkcd.py
    https://matplotlib.org/xkcd/e­xamples/showcase/xkcd.html
  9. Customising contour plots in matplotlib
    https://philbull.wordpres­s.com/2012/12/27/customising-contour-plots-in-matplotlib/
  10. Graphics with Matplotlib
    http://kestrel.nmt.edu/~ra­ymond/software/python_notes/pa­per004.html
  11. The IPython Notebook
    http://ipython.org/notebook.html
  12. nbviewer: a simple way to share Jupyter Notebooks
    https://nbviewer.jupyter.org/
  13. Back to the Future: Lisp as a Base for a Statistical Computing System
    https://www.stat.auckland­.ac.nz/~ihaka/downloads/Com­pstat-2008.pdf
  14. gg4clj: a simple wrapper for using R's ggplot2 in Clojure and Gorilla REPL
    https://github.com/JonyEpsilon/gg4clj
  15. Analemma: a Clojure-based SVG DSL and charting library
    http://liebke.github.io/analemma/
  16. Clojupyter: a Jupyter kernel for Clojure
    https://github.com/roryk/clojupyter
  17. Incanter is a Clojure-based, R-like platform for statistical computing and graphics.
    http://incanter.org/
  18. Evolution of incanter (Gource Visualization)
    https://www.youtube.com/wat­ch?v=TVfL5nPELr4
  19. Questions tagged [incanter] (na Stack Overflow)
    https://stackoverflow.com/qu­estions/tagged/incanter?sor­t=active
  20. Data Sorcery with Clojure
    https://data-sorcery.org/contents/
  21. What is REPL?
    https://pythonprogramminglan­guage.com/repl/
  22. What is a REPL?
    https://codewith.mu/en/tu­torials/1.0/repl
  23. Programming at the REPL: Introduction
    https://clojure.org/guides/re­pl/introduction
  24. What is REPL? (Quora)
    https://www.quora.com/What-is-REPL
  25. Gorilla REPL: interaktivní prostředí pro programovací jazyk Clojure
    https://www.root.cz/clanky/gorilla-repl-interaktivni-prostredi-pro-programovaci-jazyk-clojure/
  26. R Markdown: The Definitive Guide
    https://bookdown.org/yihui/rmarkdown/
  27. Single-page application
    https://en.wikipedia.org/wiki/Single-page_application
  28. Video streaming in the Jupyter Notebook
    https://towardsdatascience.com/video-streaming-in-the-jupyter-notebook-635bc5809e85
  29. How IPython and Jupyter Notebook work
    https://jupyter.readthedoc­s.io/en/latest/architectu­re/how_jupyter_ipython_wor­k.html
  30. Jupyter kernels
    https://github.com/jupyter/ju­pyter/wiki/Jupyter-kernels
  31. Keras: The Python Deep Learning library
    https://keras.io/
  32. TensorFlow
    https://www.tensorflow.org/
  33. PyTorch
    https://pytorch.org/
  34. Seriál Torch: framework pro strojové učení
    https://www.root.cz/serialy/torch-framework-pro-strojove-uceni/
  35. Scikit-learn
    https://scikit-learn.org/stable/
  36. Java Interop (Clojure)
    https://clojure.org/referen­ce/java_interop
  37. Obrazy s balíčky Jupyter Notebooku pro Docker
    https://hub.docker.com/u/jupyter/#!
  38. Správce balíčků Conda (dokumentace)
    https://docs.conda.io/en/latest/
  39. Lorenzův atraktor
    https://www.root.cz/clanky/fraktaly-v-pocitacove-grafice-vi/#k02
  40. Lorenzův atraktor
    https://www.root.cz/clanky/fraktaly-v-pocitacove-grafice-iii/#k03
  41. Graphics with Matplotlib
    http://kestrel.nmt.edu/~ra­ymond/software/python_notes/pa­per004.html
  42. Embedding Matplotlib Animations in Jupyter Notebooks
    http://louistiao.me/posts/no­tebooks/embedding-matplotlib-animations-in-jupyter-notebooks/
  43. Literate programing, Kolokviální práce Pavla Starého
    https://www.fi.muni.cz/us­r/jkucera/pv109/starylp.htm
  44. PlantUML (home page)
    http://plantuml.sourceforge.net/
  45. PlantUML (download page)
    http://sourceforge.net/pro­jects/plantuml/files/plan­tuml.jar/download
  46. PlantUML (Language Reference Guide)
    http://plantuml.sourcefor­ge.net/PlantUML_Language_Re­ference_Guide.pdf
  47. Plain-text diagrams take shape in Asciidoctor!
    http://asciidoctor.org/new­s/2014/02/18/plain-text-diagrams-in-asciidoctor/
  48. Graphviz – Graph Visualization Software
    http://www.graphviz.org/
  49. graphviz (Manual Page)
    http://www.root.cz/man/7/graphviz/
  50. PIL: The friendly PIL fork (home page)
    https://python-pillow.org/
  51. Python Imaging Library (PIL), (home page)
    http://www.pythonware.com/pro­ducts/pil/
  52. PIL 1.1.6 na PyPi
    https://pypi.org/project/PIL/
  53. Pillow 5.2.0 na PyPi
    https://pypi.org/project/Pillow/
  54. Python Imaging Library na Wikipedii
    https://en.wikipedia.org/wi­ki/Python_Imaging_Library
  55. Pillow na GitHubu
    https://github.com/python-pillow/Pillow
  56. Pillow – dokumentace na readthedocs.io
    http://pillow.readthedocs­.io/en/5.2.x/
  57. How to use Pillow, a fork of PIL
    https://www.pythonforbegin­ners.com/gui/how-to-use-pillow

Autor článku

Vystudoval VUT FIT a v současné době pracuje na projektech vytvářených v jazycích Python a Go.