用manim动画讲透极大似然估计：从似然函数到参数求解

这次我们来看“极大似然估计”这个概念。不是泛泛讲定义，而是从零开始，把似然函数、对数似然、求导取最大值的每一步，配合 manim 动画一起讲透。很多人在学机器学习时被极大似然估计卡住，不是公式看不懂，而是没有一个直观图景：为什么取对数？为什么要求导？为什么最后得到的参数是样本均值？用 manim 做一个教学动画，这些问题是可以被“看见”的。

manim 是 3Blue1Brown 开源的数学动画引擎，核心价值是让数学推导过程变成动画。它用 Python 编写，通过编写场景类，可以生成视频文件。对于“极大似然估计”这种带函数曲线、参数变化、极值点的内容，manim 特别合适。本文会先讲清楚极大似然估计的数学原理，再给出一套 manim 可视化实现方案，包括环境准备、代码示例、渲染命令和常见问题排错。

读这篇文章的人，可能是正在学机器学习的学生、需要做数学讲解视频的内容创作者，或者想用程序化动画提升表达力的开发者。只要会一点 Python，能跑命令行，就能跟着把场景渲染出来。

1. 核心能力速览

manim 的定位不是通用视频剪辑软件，而是“数学语言的可视化工具”。它适合把公式推导、函数变化、几何关系做成清晰连贯的动画。极大似然估计里最关键的就是“似然函数曲线”和“最大值对应的参数位置”，这两点用 manim 画出来，理解成本会降低一大截。

2. 适用场景与使用边界

2.1 这个方案适合谁

第一类读者是正在学习统计学或机器学习的同学。极大似然估计是朴素贝叶斯、逻辑回归、线性回归参数求解的共同基础，但课本上常直接给公式推导，缺少直观展示。如果你自己手写一个 manim 动画，把曲线画出来，比干看公式更有效。

第二类读者是做技术分享或教学内容的人。用 manim 生成的视频可以嵌入 CSDN 博客、B 站、知识付费课程或内部培训材料。它的代码化制作方式也方便后续维护和迭代，改一个参数重新渲染，就能得到新版本动画。

第三类读者是想把数学问题“可视化”的工程师。manim 的场景代码就是一套动画逻辑，可以复用、组合，适合做个人技术笔记和演示工具。

2.2 能解决什么问题

• 把“似然函数随参数变化”直观呈现，避免停留在公式层面。
• 把“最大化似然函数”的过程表现为曲线上的点移动，突出极值点。
• 通过动画对比不同样本量下的似然曲线，理解估计的一致性。
• 将推导步骤拆成多个动画片段，方便控制教学节奏。

2.3 不适合什么场景

如果只是想在文章里放一张静态图，不需要动画，那么用 matplotlib 画图更快捷。如果要做实景拍摄或访谈类视频，manim 也不是合适工具。另外，manim 对复杂 3D 场景支持有限，虽然也有 3D 相机功能，但学习成本较高，不建议一上来就挑战复杂场景。

2.4 版权、隐私与合规边界

使用 manim 时，要遵循所选发行版本的开源许可要求。如果要在公开课程或商业课程中使用，需要检查对应依赖库和字体资源的授权情况。如果在教学中使用到具体数据或人脸素材，需要确保有合法来源和授权。涉及模型参数、内部业务数据时，先脱敏再演示。边界很清楚：工具可以开源使用，但内容不能侵权。

3. manim 本地部署环境准备

3.1 操作系统与 Python 环境

manim 支持 Windows、macOS、Linux，使用前提是能安装 Python 3 环境。建议用 Conda 或 venv 创建独立环境，避免和已有项目依赖冲突。

# 创建虚拟环境（macOS/Linux） python3 -m venv manim_env source manim_env/bin/activate # Windows PowerShell python -m venv manim_env .\manim_env\Scripts\Activate.ps1

3.2 安装 manim 主库

当前主流的社区版 manim 安装方式比较简单，核心依赖会自动拉取。安装命令如下：

pip install manim

安装完成后，验证是否成功：

manim --version

如果能输出版本号，说明安装成功。如果提示找不到命令，通常是当前虚拟环境没有激活，或者 pip 安装路径不在系统 PATH 中。

3.3 安装 FFmpeg

manim 渲染视频需要 FFmpeg 进行编码。没有 FFmpeg 时，渲染任务会卡在最后一步，或者直接报错。

• Windows：可以下载 FFmpeg 并解压，把 bin 目录加入系统 PATH。
• macOS：brew install ffmpeg。
• Linux：sudo apt install ffmpeg或按发行版包管理器安装。

验证方式：

ffmpeg -version

3.4 安装 LaTeX（可选但推荐）

manim 中的Tex和MathTex对象需要 LaTeX 来渲染数学公式。如果只是用Text显示普通文字，可以不装。但要展示似然函数公式，强烈建议安装 TeX 发行版：

• Windows：MiKTeX。
• macOS：MacTeX（体积较大，也可以装 BasicTeX）。
• Linux：TeX Live。

安装完成后，manim 渲染MathTex时才能正常生成公式动画。

3.5 硬件与磁盘空间

manim 的渲染瓶颈主要在 CPU，多数场景 CPU 就能跑。若场景非常复杂，渲染时间会明显拉长，此时可通过降低分辨率、降低帧率来缓解。磁盘方面，一个中等质量动画视频通常几十 MB，但如果生成 4K 长视频，占用会显著增加。建议在工作目录保留至少 2GB 可用空间，避免输出中断。

4. manim 启动与项目结构

manim 的启动方式不是双击图标，而是通过命令行执行场景文件。一个典型工作目录如下：

mle_animation/ ├── scene.py ├── media/ │ ├── videos/ │ └── images/ └── assets/

4.1 编写第一个场景文件

创建一个scene.py，内容如下：

from manim import Scene, Text class HelloMLE(Scene): def construct(self): text = Text("极大似然估计") self.play(Create(text)) self.wait(1)

4.2 命令行渲染

终端进入scene.py所在目录，执行：

manim -pql scene.py HelloMLE

参数说明：

• -p：渲染完成后自动打开预览窗口。
• -q：指定视频质量，l为低质量，m为中等质量，h为高质量，k为 4K。
• 后面的HelloMLE是场景类的类名。

渲染完成后，视频文件会生成在media/videos/scene/目录下，文件名为HelloMLE.mp4。

4.3 使用低质量快速测试

写动画场景时，建议先用-ql渲染，确认内容无误后再用-qh出正式版本。这样可以节省大量时间。对于只有简单文字和图形的场景，-ql几秒就能出结果。

5. 极大似然估计核心概念：从零讲透

5.1 一个抛硬币例子

假设我们拿到一枚硬币，不知道正面朝上的概率是多少。设正面概率为 (p)，反面概率为 (1-p)。现在抛了 10 次，结果有 7 次正面、3 次反面。那么“当前这组结果出现的可能性”可以写成：

[ L(p) = p^7(1-p)^3 ]

这个函数叫做似然函数，它的自变量是未知参数 (p)，因变量是在该参数下当前样本出现的概率。注意这里和概率密度函数的视角不同：概率视角是固定参数，问样本的概率；似然视角是固定样本，问哪个参数让这个样本“看起来最合理”。

极大似然估计的核心思想就是：找到使 (L(p)) 最大的 (p)，把它作为真实参数的估计值。

5.2 为什么要取对数

直接对 (L(p) = p^7(1-p)^3) 求导也可以，但当样本数量变大时，连乘会导致数值下溢，而且导数表达式会很复杂。取对数不会改变最大值点，因为对数函数是单调递增的。可以得到对数似然函数：

[ \ln L(p) = 7\ln p + 3\ln(1-p) ]

取对数后，乘法变成加法，求导变得容易，数值稳定性也更好。

5.3 求导并解方程

对 (p) 求导：

[ \frac{d}{dp} \ln L(p) = \frac{7}{p} - \frac{3}{1-p} ]

令导数为 0：

[ \frac{7}{p} - \frac{3}{1-p} = 0 ]

解得：

[ p = \frac{7}{10} ]

也就是说，10 次试验中 7 次正面，极大似然估计的结果就是正面频率 (7/10)。这个结论很直观，但背后的推导逻辑值得讲清楚。

5.4 正态分布均值估计

再看一个更常用的情况：假设数据 (x_1, x_2, \dots, x_n) 来自正态分布 (N(\mu, \sigma^2))，其中 (\sigma^2) 已知，需要估计均值 (\mu)。

似然函数为：

[ L(\mu) = \prod_{i=1}^n \frac{1}{\sqrt{2\pi\sigma^2}} \exp \left( -\frac{(x_i - \mu)^2}{2\sigma^2} \right) ]

取对数后：

[ \ln L(\mu) = -\frac{n}{2}\ln(2\pi\sigma^2) - \sum_{i=1}^n \frac{(x_i - \mu)^2}{2\sigma^2} ]

对 (\mu) 求导并令导数为 0：

[ \sum_{i=1}^n (x_i - \mu) = 0 ]

得到：

[ \hat{\mu} = \frac{1}{n}\sum_{i=1}^n x_i ]

所以正态分布均值的极大似然估计就是样本均值。这个结论在数理统计和机器学习中反复出现。

5.5 理解“极大似然”的直观意义

极大似然估计本质上是在“给定数据”的前提下，去寻找让数据出现概率最大的参数。它解决的是反问题：我们都知道数据是从某个分布里抽出来的，但分布参数未知，于是用数据反过来推断最可能的参数。这个“反过来”的过程，如果只靠文字描述，容易绕晕。manim 的价值就在这里：把似然函数曲线画出来，让观众看到一个点沿着曲线移动，在最高点停下，这个点对应的横坐标就是参数估计值。

6. 用 manim 实现极大似然估计可视化

6.1 场景设计思路

针对抛硬币例子，动画可以分成三个片段：

1. 显示 10 次抛硬币结果，其中 7 个正面，3 个反面。
2. 绘制似然函数曲线 (L(p) = p^7(1-p)^3)，横轴为 (p)，纵轴为似然值。
3. 在曲线最高点放置一个红色圆点，显示对应的 (p = 0.7)。

这样的节奏符合“从零讲透”的目标：先有数据，再画函数，最后找极值。

6.2 场景代码示例

下面是一个可运行的 manim 场景，绘制似然函数曲线并标记极大值点。

from manim import * import numpy as np class LikelihoodCurve(Scene): def construct(self): # 坐标系 axes = Axes( x_range=[0, 1, 0.1], y_range=[0, 0.003, 0.001], axis_config={"include_numbers": True}, ) labels = axes.get_axis_labels(x_label="p", y_label="L(p)") # 显示数据 result_text = Text("10 次抛硬币：7 正 3 反") result_text.to_edge(UP) self.play(Write(result_text)) # 似然函数 def likelihood(p): return p**7 * (1 - p)**3 curve = axes.plot(likelihood, color=YELLOW) curve_label = MathTex("L(p) = p^7(1-p)^3").set_color(YELLOW) curve_label.to_corner(UL) self.play(Create(axes), Write(labels)) self.play(Create(curve), Write(curve_label)) # 最大值点 max_p = 0.7 max_likelihood = likelihood(max_p) dot = Dot(axes.coords_to_point(max_p, max_likelihood), color=RED) dot_label = MathTex("p=0.7").next_to(dot, DOWN) self.play(FadeIn(dot), Write(dot_label)) self.wait(2)

代码注释已经说明各部分用途。需要根据实际渲染效果调整坐标轴范围，因为 (L(p)) 的最大值约等于 0.0022，如果 y 轴范围过大，曲线会显得很平。

6.3 渲染这个场景

将代码保存为likelihood_scene.py，执行：

manim -pql likelihood_scene.py LikelihoodCurve

等待渲染完成后，会打开一个预览窗口。预期结果是：黄色曲线呈单峰形状，红色圆点标记在峰值位置，左下角显示似然函数公式。如果曲线过平或超出坐标范围，调整y_range即可。

6.4 扩展：动态展示不同样本量的影响

可以通过ValueTracker控制抛硬币次数，观察似然曲线随样本量变化而变尖的过程。核心逻辑是：样本量越大，似然曲线越集中，参数估计越稳定。这个动态效果比静态曲线更有教学冲击力。

from manim import * class MLEConvergence(Scene): def construct(self): axes = Axes( x_range=[0, 1, 0.1], y_range=[0, 0.05, 0.01], axis_config={"include_numbers": True}, ) labels = axes.get_axis_labels(x_label="p", y_label="L(p)") self.add(axes, labels) n = 10 k = 7 def likelihood(p): return p**k * (1 - p)**(n - k) curve = axes.plot(likelihood, color=YELLOW) self.play(Create(curve), run_time=2) # 这里可以结合 updater 实现参数变化，但要注意 y 轴范围需要同步调整 self.wait(1)

这个示例只展示了静态版本。完整动态版本需要根据n的变化重新计算曲线，并保持最大值点位置可见。实际渲染时需要思考坐标轴是否自动适配，或固定范围后观察曲线形态变化。

6.5 判断动画是否成功

• 曲线形状是否正确：抛硬币似然函数是单峰函数，峰值接近 (p=0.7)。
• 坐标刻度是否可读：横轴 (p) 在 0 到 1 之间，纵轴数值不能溢出或过小。
• 动画节奏是否合适：关键步骤之间停顿至少 1 秒，方便观看者理解。
• 公式对象是否正常显示：如果MathTex渲染失败，需要检查 LaTeX 安装情况。

7. 批量渲染与脚本集成

manim 不是传统 API 服务，但可以通过命令行和脚本实现批量渲染。当你有多个场景文件或一个文件中有多个场景类时，可以逐个渲染。

7.1 单个文件多个场景

在同一个.py文件中定义多个 Scene 类：

class SceneA(Scene): def construct(self): # ... pass class SceneB(Scene): def construct(self): # ... pass

然后通过命令行指定类名渲染：

manim -qm likelihood_scene.py SceneA manim -qm likelihood_scene.py SceneB

7.2 shell 批量渲染脚本

如果需要批量渲染一个目录下的所有场景，可以写一个简单的 shell 脚本：

#!/bin/bash scenes=("SceneA" "SceneB" "SceneC") for scene in "${scenes[@]}" do manim -qm likelihood_scene.py "$scene" done

在 Windows PowerShell 中类似：

$scenes = @("SceneA", "SceneB", "SceneC") foreach ($scene in $scenes) { manim -qm likelihood_scene.py $scene }

批量渲染时要注意：如果某个场景出错，脚本默认会中断。可以加上错误捕获，例如在 bash 中使用set -e前先导出日志，或者把每个场景的渲染结果记录到独立日志文件，方便定位问题。

7.3 将 manim 渲染集成到自动化流程

如果你有 CI/CD 环境，可以在代码变更后自动渲染教学视频。思路是：

• 使用一条安装命令安装依赖。
• 使用一条命令渲染全部场景。
• 将media/videos目录作为工作产物输出。

示例 GitHub Actions 伪代码：

- name: Install dependencies run: pip install manim - name: Render all scenes run: | manim -qm likelihood_scene.py SceneA manim -qm likelihood_scene.py SceneB

需要注意具体路径和命令需按项目实际结构调整。manim 渲染属于重 CPU 任务，CI 中要预留充足时间。

8. 资源占用与性能观察

8.1 渲染时看哪些资源

运行 manim 渲染时，可以在后台打开任务管理器或top命令观察 CPU 占用。manim 的主要计算量来自图形绘制和帧合成，因此 CPU 使用率通常较高，内存占用则和场景复杂度、画面尺寸相关。

如果场景里大量使用MathTex，第一次渲染公式需要调用 LaTeX，耗时较长，后续再渲染同场景时可能走缓存。这个过程中 CPU 和内存占用都会明显增加。

8.2 影响渲染时间的因素

• 视频质量：-qk4K 渲染耗时远高于-ql。
• 帧率：默认帧率一般是 60fps，降低帧率可以缩短渲染时间。
• 场景复杂度：对象数量、动画时长、3D 变换都会增加计算量。
• 公式数量：每次 LaTeX 编译都会消耗时间。
• 硬件性能：CPU 单核性能影响最大，多核并行对 manim 帮助有限。

8.3 降低资源占用的方法

• 开发阶段使用-ql低质量渲染。
• 控制单个场景动画时长，不必要的过程尽量缩短。
• 避免使用过多像素级特效，例如大量粒子和高分辨率贴图。
• 合理拆分场景，把复杂内容拆成多个短视频，避免单次长视频渲染失败后返工。
• 使用--disable_caching并非总是好事，开启缓存可以在二次渲染时节省时间。

8.4 端口冲突与进程残留

manim 的预览功能可能会调用本地播放器，但一般不会监听网络端口。如果项目由 Jupyter 或 Web 服务拉起，要关注端口冲突。渲染异常退出后，检查残留的 Python 进程，及时清理，避免占用大量 CPU 和内存。

9. 常见问题与排查方法

9.1 处理 LaTeX 公式渲染问题

在使用MathTex时，如果出现红色报错框，最稳妥的办法是先在文档中单独渲染一个简单公式，确认 LaTeX 环境可用。如果简单公式能渲染，复杂公式报错，则多半是公式语法或未安装宏包。例如\(和\)并不是 LaTeX 的数学环境，manim 的MathTex中直接写p^7(1-p)^3即可。

9.2 处理运行内存不足

manim 在渲染高分辨率视频时可能会占用大量内存。如果遇到内存不足，应降低分辨率和动画复杂度，同时关闭其他大型应用。如果仍然经常卡死，可能是机器性能不足以支持该质量的渲染，需要更换设备或调整预期。

10. 最佳实践与使用建议

10.1 先做静态数学验证再写动画

在设计动画之前，先用 Python 画一份静态似然函数曲线，确认坐标轴范围和关键点位置。推荐用 matplotlib 快速验证数值，再用 manim 做动画。这能避免在 manim 调试阶段反复猜测参数。

示例静态验证代码：

import numpy as np import matplotlib.pyplot as plt p = np.linspace(0, 1, 200) L = p**7 * (1 - p)**3 plt.plot(p, L) plt.xlabel("p") plt.ylabel("L(p)") plt.title("Likelihood function") plt.show()

确认最大值在 0.7 附近后，再把这个信息搬到 manim 场景中，曲线和坐标范围都是现成的。

10.2 保持动画节奏

教学动画不是越炫越好。每个关键点出现后，至少保留 1 到 2 秒停顿，让观众消化信息。文字、公式、图形不要同时全部铺开，分开出现效果更好。如果要在视频中配音，动画时长还需考虑口播速度。

10.3 分模块管理场景代码

不要把全部动画写在一个巨型文件里。建议按知识点拆成多个场景类，并抽离共用的数学函数和坐标配置。这样修改抛硬币次数时，不用动绘制代码。

示例目录结构：

mle_animation/ ├── common.py ├── scene_intro.py ├── scene_likelihood.py └── scene_maximize.py

10.4 做好素材和输出目录管理

不要在工作目录堆一堆.mp4。利用 manim 的media目录特性，把输出文件自动归入media/videos/。如果要长期使用，可以在外部磁盘或网盘做备份。对于中间产物和临时测试脚本，也要定期清理。

10.5 教学数据与隐私合规

如果使用真实实验数据或业务数据，在公开演示前先脱敏。抛硬币、正态分布随机数这类合成数据没有版权问题，适合作为默认教学案例。如果需要用他人视频或图片作为背景素材，确保有授权。manim 本身能生成背景，通常不需要引入外部素材。

10.6 发布前进行全量回归

一次大的改动可能会影响之前正常渲染的场景。建议在正式发布前，跑一次批量渲染脚本，检查所有场景都能通过。重点检查公式渲染是否正常、坐标是否越界、动画是否卡顿。如果中途有场景失败，根据日志修复后重新渲染。

11. 总结与下一步

这次内容的关键是两条线：一条是极大似然估计的数学原理，另一条是 manim 动画实现。数学上，从抛硬币例子出发，理解了似然函数、对数似然、求导解方程这三步；动画上，写了一个完整的LikelihoodCurve场景，并知道怎么调整坐标、渲染、排错。

最先应该验证的场景是LikelihoodCurve，命令是最低质量的manim -pql likelihood_scene.py LikelihoodCurve。最容易踩的坑是缺少 FFmpeg 或 LaTeX，导致渲染流程中断。

如果这一步跑通了，后续可以继续扩展的方向有很多：比如给场景加上语音讲解脚本、把正态分布均值估计做成第二个动画、把多个场景合并成一个完整教学视频，再做一份字幕。manim 的学习曲线不算陡，但很值得投入，尤其适合把数学概念变成可复用的视觉资产。

建议从今天这个场景开始，动手跑一遍。渲染出来的 mp4 不大，但把抽象概念变成可见曲线的那几秒钟，价值很高。