数据可视化可以直观数据分析的结果，还能帮助我们理解TensorFlow在训练过程中的每一步的变化，学起来更加直观。本文主要介绍Deep Playground，下一篇会介绍TensorBoard。

PlayGround

Deep playground是一个简单神经网络演示过程的平台，适合新手们玩一玩，教学向。

Playground网页截图

1. Data
2. Feature
3. Hidden Layers
4. Output

Data

Playground提供了四种不同形态（圆形、异或、高斯、螺旋）的初始数据，蓝色是正值，黄色是负值。
可以定义一个数据集中训练样本和测试样本的比例，还可以加噪音，以及设置每批（batch）进入神经网络的点可以为1-30个。

Feature

每个数据都有X₁（横坐标）和X₂（纵坐标）两个特征，在此基础上还衍生了其他几种特征：

• X₁X₁(抛物线信息)
• X₂X₂ (抛物线信息)
• X₁X₂ (双抛物线信息)
• sin(X₁) (关于横坐标的正弦函数的信息)
• sin(X₂) (关于纵坐标的正弦函数的信息)

Hidden Layers

在这里可以设置隐藏层以及每层隐藏层中的神经元个数，还有激活函数。（注意：激活函数设置为Sigmoid或ReLU时，所有神经元均变为渐变蓝小方块，因为Sigmoid值域为(0,1)，ReLU值域为[0，+∞)）

Sigmoid激活函数

隐藏层之间的连线是权重weight，粗细深浅表示权重的绝对值的大小（换句话说就是这个因素对下一层的影响威力的大小）。把鼠标放在线上，可以查看权重具体数值以及修改。

在模型训练的时候，通过反向传播调整权重，我们可以观察到连线的粗细深浅的变化。

Output

显示每次神经网络的输出结果，右上角可以看到测试损失(test loss)和训练损失(train loss)逐渐下降，趋于平缓之后，网络就训练好了。
你可以勾选下面两个选项，来查看训练数据分布和离散显示输出结果。

Output选项

参考文献
谁能详细讲解一下TensorFlow Playground所展示的神经网络的概念？