秉着边学边写边折腾的原则，开始粗糙的工作。真正掌握还是得讲解给别人听。 先给出网课
https://www.icourse163.org/course/BIT-1001871001
Mayavi官方
http://docs.enthought.com/mayavi/mayavi/genindex.html
（有时候这网站会装死，一般过几个小时就会活过来）
我发现了，光是三流操作还不够，还得加上四流翻译。
我把目录从这里剔除出去了，否则每次改很麻烦。
这周因为要做一个图示，所以就先把quiver提上来说一下
points3d,quiver3d
单从这两个函数名大概对这两个是比较清楚的，分别绘制的是点和向量。
这两个放在一起也是因为他们的相似参数很多，因为它们都是对点的描述。
1.quiver3d
老规矩从官方例子开始，先微调一下官方代码
import numpy as np
from mayavi.mlab import *
x, y, z = np.mgrid[-2:3, -2:3, -2:3]
r = np.sqrt(x ** 2 + y ** 2 + z ** 4)
u = y * np.sin(r) / (r + 0.001)
v = -x * np.sin(r) / (r + 0.001)
w = np.zeros_like(z)
obj = quiver3d(x, y, z, u, v, w, line_width=3, scale_factor=1)
outline(color=(1,0,0),opacity=0.8)
show()
文档中对这个函数的描述如下：
Plots glyphs (like arrows) indicating the direction of the vectors at the positions supplied.
在所给位置放置图形（比如箭头）来表示该处向量的方向。
语法如下：
quiver3d(u, v, w, ...)quiver3d(x, y, z, u, v, w, ...)quiver3d(x, y, z, f, ...)
2.points3d
extent
3.参数
.
.
.
.
.
.
.
.
.
.
.
.
.
未更新。
*扩展的实例。
前段时间刚开始接触机器学习，（菜鸡，你怎么才开始？啊对，就是菜鸡，就是才开始，萌新瑟瑟发抖。）
为了更好地巩固复习（现炒现卖）我决定，尽可能多做图，采用Mayavi，适当的matplotlib，这里
这是我想要的效果如下。（这个是网上偷的,我的图下面，我只绘制了1/4）
1.绘制基本外形
1.设置下降起点，我选的(2,3,13)，这个无所谓
2.mgrid离散网格，利用r1 = 0.25*(x1**2+y1**2)获得网格高度r1
3.surf分别绘制渐变的surface和wireframe，并选用热辣的LUT配色方案'hot'（我喜欢）,然后细节上微调线径宽度line_width=1.2和opacity两种最好不一样，我们需要强调的是网格，至于surface只为了突出它的值是变化的，hot~
4.修饰outline方便观察值域，xlable这个稍微注意添加的位置，这里添加的位置是surf下，surf是全局绘制
5.绘制一个起点points3d
6.设置figure的bgcolor，这里是背景色。
start_x,start_y,start_z = 2,3,13 #下降起点
figure(bgcolor=(0.5,0.5,0.5))
x1,y1 = np.mgrid[0:3:15j, 0:3:15j] #离散不要太大，太密集不好观察
r1 = 0.25*(x1**2+y1**2)
surf(x1,y1,r1,colormap='hot',opacity=0.2)
surf(x1,y1,r1,colormap='hot',line_width=1.2,opacity=0.4,representation='wireframe')
xlabel('x')
outline(color=(1,0,0),opacity=0.8)
x_start,y_start,z_start = np.array([start_x]),np.array([start_y]),np.array([start_z])*0.25
points3d(x_start,y_start,z_start,z_start,colormap="copper",name='StartPoint',scale_factor=.05)
2.上面的部分绘制了一个下降起点和具有诱惑的网格,现在继续。
1.涉及符号计算
sympy，做了必要的命名之后，diff()进行求导，机器学习里面的alp学习速率，再一并设置迭代次数times，这里我只迭代10次。
2.中间的处理我不说了，都是计算
3.从points3d开始绘制每次迭代之后产生的新的点，contour_surf这次的用法唯一特殊在于contours接受的是list，也就是以每个点所在的位置绘制等高线。quiver3d也就是这篇文章的重点了，接受了6个参数，是对位置和三个方向的向量描述。最后，plot3d把沿梯度下降的点连接起来。
theta0,theta1 = symbols('theta0,theta1')
f = theta0**2 + theta1**2
vector0,vector1 = f.diff(theta0),f.diff(theta1) #偏微
alp = 0.1 #下降速率
times = 10 #迭代次数
kx,ky = vector0.subs(theta0,start_x),vector1.subs(theta1,start_y)
list_x,list_y,list_z = [],[],[] #[start_x],[start_y],[start_z]
vect_x,vect_y,vect_z = [],[],[]
for ti in range(times):
kx,ky = vector0.subs(theta0,start_x),vector1.subs(theta1,start_y) #斜率
vect_x.append(float(-kx));vect_y.append(float(-ky));vect_z.append(-1)
start_x -= alp*kx;start_y -= alp*ky;start_z = (start_x ** 2 + start_y ** 2)*0.25 #按方向下降
list_x.append(float(start_x));list_y.append(float(start_y));list_z.append(float(start_z))
sca = [3 for num in range(times)]
points3d(list_x,list_y,list_z,sca,colormap='cool',name='GradientPoint',scale_factor=.04)
contour_surf(x1,y1,r1,contours=list_z,name='GradientContour',opacity=1)
quiver3d(list_x,list_y,list_z,vect_x,vect_y,vect_z,scale_factor=.1)
plot3d(list_x,list_y,list_z,sca,name='Connection',tube_radius=None,line_width=4.2)
show()
.
.
.
源码我都贴出来了。也上传了。
填坑区：
更新
2018.10.20.——因为机器学习的缘故要绘制一个图像，顺带把quiver3d写一点