Python-matplotlib技术需求：实现仅决策边界动态更新、样本点静态的动画可视化

嘿，我来帮你搞定这个动画需求！核心思路是让训练过程输出每一轮的权重，再用Matplotlib的动画工具只更新决策边界，样本点保持静态。下面是完整的修改方案和代码：

步骤1：改造训练函数，记录每轮权重 #

原来的sequential_deltaRule只返回最终权重，咱们得改成记录每一轮epoch后的权重，这样动画才能逐帧更新：

def sequential_deltaRule(X, W, T, maxEpoch):
    learningRate = 0.001
    weights_history = [W.copy()]  # 先存初始权重
    currentEpoch = 1
    while currentEpoch <= maxEpoch:
        for index, xCol in enumerate(X.T):
            Wdelta = -learningRate * np.dot(np.dot(W[0], xCol) - T[index], xCol.T)
            W = W + Wdelta
        weights_history.append(W.copy())  # 每轮训练完都存一下当前权重
        currentEpoch += 1
    return weights_history

步骤2：重构绘图逻辑，分离静态/动态部分 #

咱们先一次性画好样本点（保持静态），再用动画帧单独更新决策边界：

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.animation import FuncAnimation

# 保留你原来的generateData函数
def generateData(datapoints):
    n = datapoints
    mA, sigmaA = np.array([2.0, 1]), np.array([0.3, 0.3])
    mB, sigmaB = np.array([-0.1, 0.0]), np.array([0.3, 0.3])
    classA = (np.random.normal(size=(2, n)).T * sigmaA + mA).T
    classB = (np.random.normal(size=(2, n)).T * sigmaB + mB).T
    return classA, classB

# 初始化静态样本点的绘图
def init_static_plot(classA, classB):
    plt.scatter(classA[0], classA[1], color='black', label='Class A')
    plt.scatter(classB[0], classB[1], color='red', label='Class B')
    plt.legend()
    ax = plt.gca()
    # 先创建一个空的决策边界线，后面逐帧更新它的数据
    boundary_line, = ax.plot([], [], color='blue', label='Decision Boundary')
    ax.legend()
    return boundary_line,

# 每帧更新决策边界的函数
def update_boundary(frame, weights_history, boundary_line):
    current_weights = weights_history[frame]
    x = np.linspace(-1.5, 3, 100)
    y = -(current_weights[1] * x + current_weights[0]) / current_weights[2]
    boundary_line.set_data(x, y)
    return boundary_line,

步骤3：整合所有代码，生成动画 #

把各部分拼起来，设置动画参数就能跑起来了：

# 生成样本数据
datapoints = 50
classA, classB = generateData(datapoints)

# 准备训练数据（记得加偏置项！）
data = np.vstack((
    np.ones(datapoints*2),  # 偏置项
    np.hstack((classA[0], classB[0])),
    np.hstack((classA[1], classB[1]))
))
# 初始化小范围随机权重
initial_weights = np.random.rand(1, 3) * 0.1 - 0.05
# 目标标签：Class A为1，Class B为-1
targets = np.hstack((np.ones(datapoints), -np.ones(datapoints)))

# 获取每轮训练的权重历史
max_epochs = 20
weights_history = sequential_deltaRule(data, initial_weights, targets, max_epochs)

# 创建动画
fig = plt.figure(figsize=(8, 6))
boundary_line, = init_static_plot(classA, classB)
ani = FuncAnimation(
    fig, update_boundary, 
    frames=len(weights_history),
    fargs=(weights_history, boundary_line),
    interval=300,  # 每帧间隔300毫秒，可调整
    blit=True  # 只更新变化的部分，让动画更流畅
)

# 如果需要保存动画（需要安装ffmpeg）
# ani.save('delta_rule_animation.mp4', writer='ffmpeg', fps=3)

plt.show()

关键细节说明 #

• 静态样本点：在init_static_plot里一次性绘制完成，后续动画帧不会修改这部分，保证样本点全程不动。
• 权重历史：每一轮epoch结束后保存当前权重，动画逐帧调用这些权重更新决策边界。
• 偏置项：必须给输入数据加全1的行，因为权重里的current_weights[0]是偏置参数，这是Delta规则的基础要求哦。

运行这段代码后，你就能看到样本点静止不动，决策边界随着训练逐步调整的流畅动画啦！

内容的提问来源于stack exchange，提问作者David Krüger