Makie.jl 中基于kwargs的绘图配方回归问题分析
2025-06-30 06:12:03作者:凌朦慧Richard
问题背景
在Makie.jl绘图库的最新补丁版本v0.21.10中,一个重要的回归问题被发现:接受关键字参数(kwargs)的绘图配方(plot recipes)不再正常工作。这个问题主要影响那些返回SpecApi的配方实现。
技术细节
在Makie.jl中,绘图配方是一种强大的机制,允许用户自定义如何将数据转换为可视化元素。典型的配方实现包括定义convert_arguments和used_attributes方法。
在v0.21.9版本中,以下实现可以正常工作:
using Makie
import Makie.SpecApi as S
struct MyS end
Makie.convert_arguments(::Type{Lines}, ::MyS; kwargs...) =
S.Lines([1,2,3], [1,2,3]; kwargs...)
Makie.used_attributes(T::Type{<:Plot}, ::MyS) =
(Makie.attribute_names(T)...,)
lines(MyS(); color=:red) # 绘制红色线条
但在v0.21.10中,同样的代码会抛出MethodError: no method matching transform!(::Transformation, ::Nothing)错误。
问题根源
这个回归问题的根本原因是Makie.jl内部对属性传播机制的修改。新版本不再推荐也不支持在convert_arguments方法中直接转发所有关键字参数。相反,属性应该通过Makie的自动传播机制来处理。
推荐解决方案
根据Makie核心开发者的建议,正确的实现方式应该是:
function Makie.convert_arguments(::Type{Lines}, ::MyS)
S.Lines([1, 2, 3], [1, 2, 3])
end
这样,color等属性会自动传播到生成的绘图元素上,而不需要在convert_arguments中显式处理。
深入讨论
属性传播机制
Makie.jl现在采用了一种更智能的属性传播机制:
- 当配方返回单个PlotSpec时,所有适用的属性会自动应用到该spec上
- 这种机制简化了配方的实现,减少了手动属性管理的需要
复杂场景限制
需要注意的是,当前自动传播机制仅适用于返回单个PlotSpec的情况。对于更复杂的场景,如:
- 返回包含多个绘图元素的GridLayout
- 需要特殊属性处理逻辑的情况
开发者可能需要等待Makie提供更完善的解决方案,或者考虑其他实现方式。
最佳实践建议
- 避免在convert_arguments中转发kwargs:这是不推荐的做法,可能导致不可预期的行为
- 利用自动属性传播:让Makie自动处理属性传播,简化配方代码
- 关注实验性功能状态:SpecApi仍被标记为实验性功能,使用时应注意可能的变更
- 贡献测试用例:如果依赖特定功能,贡献测试用例有助于防止未来意外破坏
总结
这次回归问题反映了Makie.jl在改进其内部架构过程中的一些调整。虽然短期内可能造成一些代码需要修改,但从长远来看,新的属性传播机制提供了更简洁、更可靠的解决方案。开发者应该遵循新的最佳实践,同时理解实验性功能可能带来的变化风险。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
245
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
662
312
React Native鸿蒙化仓库
JavaScript
262
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218