上篇写了有关于MANIMML的简单介绍和基础代码，本篇文章将继续更新有关MANIMML的详细内容及各种功能~如果是第一次看到这篇博客的新的小伙伴，想要对MANIMML做大致了解的话，可以看下我上篇博客的基础阐述噢~链接我放在这里啦：https://www.guyuehome.com/43764

一、设置功能

  在Manim中，所有可视化和动画都属于一个场景，小伙伴们可以通过扩展Scene类或ThreeDScene类（若你的动画包含了3D内容，那么就像我给出的示例一样）来创建场景；可以将我以下的代码添加到名为example.py的Python模块中：

from manim import *
# Import modules here

class BasicScene(ThreeDScene):

    def construct(self):
        # Your code goes here
        text = Text("Your first scene!")
        self.add(text)

为了渲染场景，可以在命令行中运行以下命令：

$ manim -pq -l example.py

这个是可以生成低质量的图像文件，若想生成高质量图像文件则用 -h。（注：在本文中其余部分，均需要将代码片段复制到构造函数主体中)

二、一个简单的前馈网络

  通过MANIMML我们可以方便的把一个前馈神经网络可视化：

from manim_ml.neural_network import NeuralNetwork, FeedForwardLayer

nn = NeuralNetwork([
    FeedForwardLayer(num_nodes=3),
    FeedForwardLayer(num_nodes=5),
    FeedForwardLayer(num_nodes=3)
])
self.add(nn)

在上述代码中，我们创建了一个NeuralNetwork对象，并向其传递了一个层例表，我们为每个前馈层指定节点数；MANIMML会自动将各个层拼接成一个神经网络，我们在场景构造方法的主体中调用self.add(nn)，以便将神经网络添加到场景中；大多数MANIMML神经网络对象和函数都可以直接从manim_ml.neural_network中导入，接下来我们可以运行该程序来渲染场景的静帧图像：

$ manim -pql example.py

三、前传动画

  我们可以使用neural_network.make_forward_pass_animation方法创建动画，并在场景中使用self.paly(animation)播放动画，从而自动渲染神经网络的前向传递。

from manim_ml.neural_network import NeuralNetwork, FeedForwardLayer
# Make the neural network
nn = NeuralNetwork([
    FeedForwardLayer(num_nodes=3),
    FeedForwardLayer(num_nodes=5),
    FeedForwardLayer(num_nodes=3)
])
self.add(nn)
# Make the animation
forward_pass_animation = nn.make_forward_pass_animation()
# Play the animation
self.play(forward_pass_animation)

现在我们可以用：

$ manim -pql example.py

（图片本来应该是个GIF的动图但因为图片大小限制只能是静态图啦，但小伙伴们可以自己动手试试得到喔~）

四、卷积神经网络

  MANIMML支持卷积神经网络可视化，小伙伴们可以通过指定特征图的数量、特征图的大小和滤波器的大小，如下所示Convolutional2DLayer(num_feature_maps,feature_map_size,filter_size)，也可以更改其他一些样式参数；这是一个多层的卷积神经网络，如果有小伙伴不太熟悉神经网络，那本篇博客将会是一个很好的资源了，此外，CNN Explainer也是了解CNN的绝佳互动工具。（注：在指定CNN时，相邻层的特征图大小和滤波器的尺寸必须匹配）

from manim_ml.neural_network import NeuralNetwork, FeedForwardLayer, Convolutional2DLayer

nn = NeuralNetwork([
        Convolutional2DLayer(1, 7, 3, filter_spacing=0.32), # Note the default stride is 1. 
        Convolutional2DLayer(3, 5, 3, filter_spacing=0.32),
        Convolutional2DLayer(5, 3, 3, filter_spacing=0.18),
        FeedForwardLayer(3),
        FeedForwardLayer(3),
    ],
    layer_spacing=0.25,
)
# Center the neural network
nn.move_to(ORIGIN)
self.add(nn)
# Make a forward pass animation
forward_pass = nn.make_forward_pass_animation()

现在我们可以在命令行中输入：

$ manim -pql example.py

这就是卷积神经网络！（这里的图片与上张一样，也是GIF的动图）

五、带有图像的卷积神经网络

  我们还可以在通过第一个卷积层之前指定一个ImageLayer，将输入的卷积神经网络图像制作成动画；

import numpy as np
from PIL import Image
from manim_ml.neural_network import NeuralNetwork, FeedForwardLayer, Convolutional2DLayer, ImageLayer

image = Image.open("digit.jpeg") # You will need to download an image of a digit. 
numpy_image = np.asarray(image)

nn = NeuralNetwork([
        ImageLayer(numpy_image, height=1.5),
        Convolutional2DLayer(1, 7, 3, filter_spacing=0.32), # Note the default stride is 1. 
        Convolutional2DLayer(3, 5, 3, filter_spacing=0.32),
        Convolutional2DLayer(5, 3, 3, filter_spacing=0.18),
        FeedForwardLayer(3),
        FeedForwardLayer(3),
    ],
    layer_spacing=0.25,
)
# Center the neural network
nn.move_to(ORIGIN)
self.add(nn)
# Make a forward pass animation
forward_pass = nn.make_forward_pass_animation()

然后在命令行里输入：（这里的图片也是GIF!）

$ manim -pql example.py

六、最大集合

  在深度学习中最常见的操作是二位最大池化（2D Max Pooling）操作，它可以减小卷积特征图大小，我们可以使用MaxPooling2DLayer来直观的显示最大池化。

from manim_ml.neural_network import NeuralNetwork, Convolutional2DLayer, MaxPooling2DLayer
# Make neural network
nn = NeuralNetwork([
        Convolutional2DLayer(1, 8),
        Convolutional2DLayer(3, 6, 3),
        MaxPooling2DLayer(kernel_size=2),
        Convolutional2DLayer(5, 2, 2),
    ],
    layer_spacing=0.25,
)
# Center the nn
nn.move_to(ORIGIN)
self.add(nn)
# Play animation
forward_pass = nn.make_forward_pass_animation()
self.wait(1)
self.play(forward_pass)

然后在命令行中输入：（GIF动图+1......）

$ manim -pql example.py

七、激活功能

  激活函数对神经网络的输出进行非线性处理；激活函数的形状各不相同，所以我们可视化这些函数非常有用，所以在Convolutional2DLayer上添加了可视化激活函数的功能，方法如下：

layer = FeedForwardLayer(num_nodes=3, activation_function="ReLU")

我们可以将其添加到更大的神经网络中，如下所示：

from manim_ml.neural_network import NeuralNetwork, Convolutional2DLayer, FeedForwardLayer
# Make nn
nn = NeuralNetwork([
        Convolutional2DLayer(1, 7, filter_spacing=0.32),
        Convolutional2DLayer(3, 5, 3, filter_spacing=0.32, activation_function="ReLU"),
        FeedForwardLayer(3, activation_function="Sigmoid"),
    ],
    layer_spacing=0.25,
)
self.add(nn)
# Play animation
forward_pass = nn.make_forward_pass_animation()
self.play(forward_pass)

然后在命令行输入：（GIF动图+1......）

$ manim -pql example.py

八、更复杂的神经网络宕机

from manim_ml.neural_network import NeuralNetwork, FeedForwardLayer
from manim_ml.neural_network.animations.dropout import make_neural_network_dropout_animation
# Make nn
nn = NeuralNetwork([
        FeedForwardLayer(3),
        FeedForwardLayer(5),
        FeedForwardLayer(3),
        FeedForwardLayer(5),
        FeedForwardLayer(4),
    ],
    layer_spacing=0.4,
)
# Center the nn
nn.move_to(ORIGIN)
self.add(nn)
# Play animation
self.play(
    make_neural_network_dropout_animation(
        nn, dropout_rate=0.25, do_forward_pass=True
    )
)
self.wait(1)

然后在命令行输入：（GIF动图+1......）

$ manim -pql example.py

紧接着Seed the Dropouts：（GIF动图 +1......）

self.play(
    make_neural_network_dropout_animation(
        nn, dropout_rate=0.25, do_forward_pass=True, seed=4
    )
)

然后Seed the Dropouts with First layer static：

self.play(
    make_neural_network_dropout_animation(
        nn, dropout_rate=0.25, do_forward_pass=True, seed=4,  first_layer_stable=True
    )
)

还可以Seed the Dropouts with First and Last layer static：

self.play(
    make_neural_network_dropout_animation(
        nn, dropout_rate=0.25, do_forward_pass=True, seed=4, first_layer_stable=True, last_layer_stable=True
    )
)

（在这里就不放这两个运行程序代码的图片啦，小伙伴们感兴趣的话可以自行复制粘贴我的代码直接试试！）

这就是本篇博客的全部内容啦，希望可以帮到大家，当然如果有想要更多及详细代码的小伙伴可以在评论区留言噢，我很乐意能够帮到你，如果对这篇博客感兴趣的话请给我一键三连!!!

如需转载或引用请标明出处。（码字不易猫猫叹气!）