学习manim引擎
首先，对manim的博客网站资料进行了学习，manim没有文档，一切全是自己摸索，加上我是一个编程半个小白，先看看别人有什么理解。
参考：B站up主的manim的使用。
manim学习日记(三)。
网址就不放了，讲了一些简单的制作。
结构
manim有一些重要的构成：
数学对象 场景 动画 工具
对应的文件夹：mobject sence animation utils
数学对象：我们在动画中表达的一切都是数学对象 包括 点、线、面、空间、左边、文字等具体可以在包里查看。
场景：就是背景，默认的是黑色背景，你也可以使用作者使用的“派”背景。
动画：与动画相关的各类方法，创造，刷新，移动，指示，旋转，强调，变形等，是核心组件。例如：ShowCreation()
utils:大部分引用外部应用的功能都在这里，包括python的绘图库，贝塞尔曲线矢量图，着色系统，latex写公式转成图片等功能
在这里我写了一个极其简单的程序：
from big_ol_pile_of_manim_imports import *
class Test(TeacherStudentsScene):
def construct(self):
text1 = TextMobject('I love you')
text2 = TextMobject('this is a funny!')
text3 = TextMobject('between we distance similar as :')
dot1 = Dot(color=COLOR_MAP["RED_A"],point=UL*2)
dot2 = Dot(color=COLOR_MAP["RED_B"],point=DR*2)
line1 = Line(dot1,dot2)
self.play(ShowCreation(text1))
self.wait(1)
self.play(ShrinkToCenter(text1))
self.play(FadeOutAndShift(text1))
self.wait(1)
self.play(ShowCreation(text2))
self.wait(1)
self.play(FadeOutAndShift(text2,UP))
self.wait(1)
self.play(ShowCreation(text3))
self.wait(1)
self.play(FadeOut(text3))
self.wait(1)
self.play(ShowCreation(dot1))
self.wait(1)
self.play(ShowCreation(dot2))
self.wait(1)
self.play(ShowCreation(line1))
self.wait(3)
'''self.play(Write(text))
c1 = Circle()
d1 = Dot(IN)
d2 = Dot(OUT+LEFT*2,color = COLOR_MAP["GREEN_A"])
s1 = Square()
e1 = Ellipse()
s2 = Sector(outer_radius=4,
inner_radius= 0,color=COLOR_MAP["MAROON_A"])
l1 = Line(d1,d2,color = COLOR_MAP["YELLOW_B"])
d3 = DashedLine(d1,d2)
a1 =Arrow(d1,d2)
#p1 = Polygon(np.array([1,2,3,4],[-1,-2,-3,-4]))
# p2 = RegularPolygon()
self.play(ShowCreation(c1))
self.play(ShowCreation(d1))
self.play(ShowCreation(d2))
self.play(ShowCreation(e1))
self.play(ShowCreation(s2))
self.play(ShowCreation(l1))
self.play(ShowCreation(a1))
# self.play(ShowCreation(p1))
# self.play(ShowCreation(p2))
self.play(Transform(c1,d1))
self.play(ShowCreation(s1))
self.play(FadeOutAndShift(d1))
self.play(FadeOutAndShift(d2))
self.play(FadeOutAndShift(e1))
self.play(FadeOutAndShift(s2))
self.play(FadeOutAndShift(l1))
self.play(FadeOutAndShift(a1))
self.wait()'''
程序虽然简单，但是足以明白程序的实现过程。
另外：怎样去执行程序：
python -m manim -h #查看命令帮助 -m是指定驱动引擎
#接下来给个实例：
python -m manim -w test.py Test -pl
#-w 写入媒体文件，-p 预览， -l 低质量 test.py 自己所写的py文件， Test实例化的动画(在上面)
更多内容查看官方的极简文档。
keras对鸢尾花分类
之前学习多元统计分析时曾经使用过判别分析对鸢尾花进行分类。使用软件是R，准确度在百分之九十以上。
现在，使用基于多层感知器 (MLP) 的 softmax 多分类对鸢尾花进行分类。
鸢尾花数据是常用的测试算法的数据，随便在网上就能下载。
import numpy as np
data = np.loadtxt('iris.csv',delimiter=',')#删除数据的第一行，神经网络训练不需要变量名，对最后一列进行编码，将类型变为0 1 2
X = data[:,0:-1]
y = data[:,-1]
from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2,random_state = 0)
y_train = y_train.reshape(120,1)#sklearn方法切割的数据维度不符合，需要变形
y_test = y_test.reshape(30,1)
import keras
from keras.models import Sequential
from keras.layers import Dense,Dropout,Activation
from keras.optimizers import SGD
y_train = keras.utils.to_categorical(y_train,num_classes=3)
y_test = keras.utils.to_categorical(y_test,num_classes=3)#keras的方法标记标签
model = Sequential()
model.add(Dense(100,input_dim=4,activation ='relu'))
model.add(Dropout(0.5))
model.add(Dense(100,activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(3,activation='softmax'))
sgd = SGD(lr=0.01,decay=1e-6,momentum=0.9,nesterov=True)
model.compile(loss='categorical_crossentropy',
optimizer=sgd,
metrics=['accuracy'])
#输入层的维度要和数据的变量维度相同,这里我有两个隐含层，一个softmax层（最后的输出层）。SGD是随机梯度下降法。
#complie是配置过程，在这里，需要设置损失函数，优化方法，评价指标。
model.fit(X_train,y_train,epochs=20,batch_size=20)
model.evaluate(X_test,y_test,batch_size=20)
#模型训练和模型评估。batch_size是随机梯度下降一批的数量，epochs 是迭代的次数。
import pydot_ng as pydot
from keras.utils import plot_model
plot_model(model,to_file='model.png')
#可视化，但是我失败了。用了2个小时的时间没有找到原因。
训练测试结果
看Out[13] ：我的LOSS为0.1028，准确度为1，就是100%，看来我这次运气不错呀。
我多试了几次，结果都在90%以上。效果不错。
改天贴 R的判别分析代码。
