我将以下解决方案提供给您:
首先,我使用NumPy的
linspace
函数指定了一个常规的二维网格:
x_range = range(-5,6)
y_range = range(-5,6)
lines = np.empty((len(x_range)+len(y_range), 2, 100))
for i in x_range:
linspace_x = np.linspace(x_range[i], x_range[i], 100)
linspace_y = np.linspace(min(y_range), max(y_range), 100)
lines[i] = (linspace_x, linspace_y)
for i in y_range:
linspace_x = np.linspace(min(x_range), max(x_range), 100)
linspace_y = np.linspace(y_range[i], y_range[i], 100)
lines[i+len(x_range)] = (linspace_x, linspace_y)
然后,我在网格上执行了任意的仿射变换。(这类似于神经网络中激活和权重之间的向量矩阵乘法。)
def affine(z):
z[:, 0] = z[:, 0] + z[:,1] * 0.3
z[:, 1] = 0.5 * z[:, 1] - z[:, 0] * 0.8
return z
transformed_lines = affine(lines)
最后但并非最不重要的,使用组成网格中每条线的(现在已经转换的)坐标,我应用了一个非线性函数(在这种情况下是逻辑函数):
def sigmoid(z):
return 1.0/(1.0+np.exp(-z))
bent_lines = sigmoid(transformed_lines)
用matplotlib绘制新的线条:
plt.figure(figsize=(8,8))
plt.axis("off")
for line in bent_lines:
plt.plot(line[0], line[1], linewidth=0.5, color="k")
plt.show()
结果:
![这里输入图片描述](https://istack.dev59.com/bh1pk.webp)