TensorFlow Playground
最有名的應該是TensorFlow（當前最流行的機器學習框架）官方的playground：
(playground.tensorflow.org截圖）
你可以選擇不同的學習率、不同的啟用函式、不同的正則化方法、不同的問題（分類、迴歸）、不同的資料集、不同的訓練集/測試集比例、不同的噪聲、不同的batch size、不同的特徵、不同的隱藏層層數，並實時看到改變造成的結果。便於你非常直觀地理解神經網路的基本概念。
t-SNE是視覺化高維資料的一種方法。Google Brain開放了一個視覺化t-SNE不同引數的效果的工具。
(distill.pub/2016/misread-tsne/截圖）
這是為了配套Google Brain在2016年Distill上發表的論文《How to Use t-SNE Effectively》開發的視覺化工具。
《紐約客》資深資料科學家Daniel Godoy開發的一個視覺化神經網路超引數的工具，目前支援視覺化啟用函式，其他超引數的支援正在開發之中。
GitHub地址：github.com/dvgodoy/deepreplay
香港科技大學的Yao Ming等開發的視覺化分析系統，視覺化用於NLP任務的RNN網路。
TensorFlow Playground
最有名的應該是TensorFlow（當前最流行的機器學習框架）官方的playground：
(playground.tensorflow.org截圖）
你可以選擇不同的學習率、不同的啟用函式、不同的正則化方法、不同的問題（分類、迴歸）、不同的資料集、不同的訓練集/測試集比例、不同的噪聲、不同的batch size、不同的特徵、不同的隱藏層層數，並實時看到改變造成的結果。便於你非常直觀地理解神經網路的基本概念。
視覺化t-SNEt-SNE是視覺化高維資料的一種方法。Google Brain開放了一個視覺化t-SNE不同引數的效果的工具。
(distill.pub/2016/misread-tsne/截圖）
這是為了配套Google Brain在2016年Distill上發表的論文《How to Use t-SNE Effectively》開發的視覺化工具。
DeepReplay《紐約客》資深資料科學家Daniel Godoy開發的一個視覺化神經網路超引數的工具，目前支援視覺化啟用函式，其他超引數的支援正在開發之中。
GitHub地址：github.com/dvgodoy/deepreplay
RNNVis香港科技大學的Yao Ming等開發的視覺化分析系統，視覺化用於NLP任務的RNN網路。