从零实现ANN：3D曲线数据点切线绘制与决策边界可视化

1. 依赖库安装 #

先安装所需工具库，用于数值计算、3D可视化和微分计算：

pip install numpy matplotlib scipy

2. 核心逻辑 #

• 切线计算：对3D曲线上的点，用数值微分（中心差分法）计算梯度作为切线方向向量，归一化后生成可视化用的切线线段。
• 决策边界可视化：ANN的决策边界通常是输出等于阈值（如二分类任务的0.5）的曲面，先通过插值将离散输出点拟合为连续曲面，再提取等值面作为决策边界，最后计算边界上点的切线。

3. 代码示例 #

3.1 准备3D曲线数据（替换为你的ANN输出） #

先模拟一组类似ANN输出的参数化3D曲线，若已有真实数据，直接替换这部分即可：

import numpy as np

# 生成参数化3D曲线（模拟ANN的输出结果）
t = np.linspace(0, 4*np.pi, 200)
x = t * np.cos(t)
y = t * np.sin(t)
z = np.tanh(t/2)  # 模拟ANN激活函数的输出特性
curve_points = np.column_stack((x, y, z))

3.2 计算曲线上点的切线方向 #

用高斯平滑减少噪声干扰，再通过中心差分求导得到切线方向向量：

from scipy.ndimage import gaussian_filter1d

def compute_tangents(points, sigma=1):
    # 高斯平滑曲线，降低噪声对导数计算的影响
    x_smooth = gaussian_filter1d(points[:,0], sigma)
    y_smooth = gaussian_filter1d(points[:,1], sigma)
    z_smooth = gaussian_filter1d(points[:,2], sigma)
    
    # 中心差分法计算切线方向向量
    dx = np.gradient(x_smooth)
    dy = np.gradient(y_smooth)
    dz = np.gradient(z_smooth)
    
    # 归一化方向向量，保证切线长度一致
    norm = np.sqrt(dx**2 + dy**2 + dz**2)
    dx /= norm
    dy /= norm
    dz /= norm
    
    return dx, dy, dz

# 计算所有点的切线方向
dx, dy, dz = compute_tangents(curve_points)

# 选取曲线上5个样本点用于切线可视化
sample_indices = [20, 60, 100, 140, 180]
sample_points = curve_points[sample_indices]
sample_tangents = np.column_stack((dx[sample_indices], dy[sample_indices], dz[sample_indices]))

3.3 3D可视化：曲线+切线+决策边界 #

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from scipy.interpolate import griddata

fig = plt.figure(figsize=(12, 8))
ax = fig.add_subplot(111, projection='3d')

# 绘制原始ANN输出曲线
ax.plot(curve_points[:,0], curve_points[:,1], curve_points[:,2], label='ANN Output Curve', color='blue', alpha=0.6)

# 绘制切线：从样本点向正负方向延伸固定长度
tangent_length = 3
for point, tangent in zip(sample_points, sample_tangents):
    # 正向切线
    ax.plot([point[0], point[0] + tangent_length*tangent[0]],
            [point[1], point[1] + tangent_length*tangent[1]],
            [point[2], point[2] + tangent_length*tangent[2]],
            color='red', linewidth=2)
    # 反向切线
    ax.plot([point[0], point[0] - tangent_length*tangent[0]],
            [point[1], point[1] - tangent_length*tangent[1]],
            [point[2], point[2] - tangent_length*tangent[2]],
            color='red', linewidth=2)
    # 标记样本点
    ax.scatter(point[0], point[1], point[2], color='green', s=50, zorder=10)

# 绘制决策边界（以z=0.5为例，对应二分类任务的决策阈值）
xx, yy = np.meshgrid(np.linspace(-15, 15, 50), np.linspace(-15, 15, 50))
# 插值拟合连续曲面
zz = griddata(curve_points[:,0:2], curve_points[:,2], (xx, yy), method='cubic')
# 提取z=0.5的等值面作为决策边界
ax.contourf(xx, yy, zz, levels=[0.49, 0.51], colors='gray', alpha=0.3)

ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('ANN Output (Z)')
ax.legend()
plt.title('3D ANN Output Curve with Tangents and Decision Boundary')
plt.show()

4. 关键注意事项 #

• 噪声处理：如果ANN输出数据存在噪声，调大compute_tangents函数中的sigma参数，增强高斯平滑效果，避免切线方向波动过大。
• 决策边界适配：如果是多分类任务，需针对每个类别输出阈值提取对应等值面；若为回归任务，可根据业务需求设定边界阈值。
• 切线长度控制：根据曲线的整体尺度调整tangent_length，保证切线在可视化中清晰可见且不遮挡曲线本身。

内容的提问来源于stack exchange，提问作者Fatihi Youssef