~mwshinn/+junk/structure

            # weights_list is an array of arrayes.  The first

            # dimension reresents the index of the postsynaptic

            # neuron, and the second the presynaptic.  The layers are

            # concatenated.

            weights_list = numpy.array(net.projection(pre='LGN', post='V1_Simple').values)

            ndims = 2 # Number of layers/depth in the LGN

            fielddim = int(sqrt(int(len(weights_list[0])/ndims))) # This is the visualized image's length/width, or receptive field dimentions.  This assumes it is a square, so fielddim=height=width.  

            nneurons = weights_list.shape[0] # The number of postsynaptic neurons

            nels = 30#nneurons*ndims # The number of images that must be plotted

            ncols = round(2*sqrt(nels)) # The number of rows of subplots

            nrows = ceil(nels/ncols) # The number of columns of subplots

            print nrows

            # This creats several subplots, each one containing an

            # image.  The image is the weight values of the

            # feed-forward connections coming into each neuron in the

            # V1_Simple layer, plotted spatially.  Then, it draws it

            # or writes it to a file.

            for nn in range(0,nneurons): # nn = neuron number

                e = weights_list[nn]

                e = e.reshape((fielddim,fielddim,ndims)) 

                for dn in range(0,ndims): # dn = dimension number

                    esub = e[:,:,dn] 

                    if nn*ndims+dn > nrows*ncols: break

                    ppl.subplot(nrows,ncols,nn*ndims+dn)

                    ppl.imshow(esub, cmap=cm.Greys_r)

                    ppl.axis('off')

                if (nn+1)*ndims > nrows*ncols: break