Doubled square with two holes - further visualizations

# Not really required
import sys
sys.path.insert(0, '../../..')

from pyLDLE2 import visualize_all
visualize_all.visualize('../data/pyLDLE2/doubled_squarewithtwoholes/ldle.dat')

matplotlib.get_backend() =  module://matplotlib_inline.backend_inline
##################################################
Data
##################################################

Eigenvalues

##################################################
Eigenvectors on data
##################################################

##################################################
Eigenvectors on embedding
##################################################

##################################################
gamma on  data
##################################################

##################################################
gamma on embedding
##################################################

##################################################
No. of eigenvectors with small gradients at each point - possibly identifies boundary
##################################################

##################################################
Same visualization as above but plots based on the embedding
##################################################

##################################################
Distortion of local parameterizations without post-processing
##################################################

##################################################
Distortion of local parameterizations with post-processing
##################################################

##################################################
Here we visualize:
1. Local views in the ambient and embedding space.
2. Chosen eigenvectors to construct the local parameterization.
3. Deviation of the chosen eigenvectors from being orthogonal and having same length.
##################################################

##################################################
Same visualization as above but plots based on the embedding.
##################################################

##################################################
Chosen eigenvectors indices for local views
##################################################

##################################################
Same visualization but plots based on embedding
##################################################

Sequence of intermediate views
##################################################

##################################################
Distortion of intermediate views
##################################################

##################################################
Here we visualize: 1. Intermediate views in the ambient and embedding space.
2. Chosen eigenvectors to construct the intermediate parameterization.
3. Deviation of the chosen eigenvectors from being orthogonal and having same length.
##################################################

##################################################
Same visualization as above but plots based on the embedding
##################################################

##################################################
Chosen eigenvectors indices for intermediate views
##################################################

##################################################
Same visualization but plots based on embedding
##################################################

initial global embedding
##################################################
##################################################
final global embedding
##################################################