搭建网络，调节参数，让每一次训练都能被看见。
从输入特征到决策边界，在浏览器里理解深度学习。
同心圆 · 使用 Tanh 和 4 → 2 隐藏层，观察曲线分类边界逐渐形成。
点击选择一种合成数据。
点击下方特征方块开启或关闭。
每次只改变一个条件。先预测，再运行，最后用损失曲线检验自己的判断。
选择同心圆，移除全部隐藏层训练，再加入一个含 4 个神经元的隐藏层。比较边界形状和测试损失。
在 XOR 数据上，先仅使用 X₁、X₂，再加入 X₁X₂。保持其余参数相同，观察分类结果。
提高噪声，降低训练数据比例。对比训练与测试损失，再增加 L2 正则化，检查二者差距是否改变。
切换到平面或高斯曲面回归。输出使用线性激活，观察颜色连续变化；损失是误差，不是准确率。
左侧小方块是输入特征，中间是隐藏层。每个神经元方块显示它对二维空间的响应；悬停可放大到右侧。连线越粗，权重绝对值越大，橙色表示负值，蓝色表示正值。悬停连线或偏置小块，再点击可编辑数值。
右侧散点表示样本真实标签，背景表示模型输出。勾选“显示测试数据”可查看未参与训练的点；“显示分类边界”将连续输出分为正负两区。
模型执行真实的前向传播、反向传播和小批量梯度下降；一个训练轮次遍历全部训练样本。显示的损失为平均 ½(ŷ − y)²，不包括正则化惩罚项。
数据是二维合成样本，不是真实油气藏或测井数据。可以借此理解岩性分类、储层参数预测的基本思路；实际地学应用仍需数据清洗、标准化、独立验证与领域解释。
勾选需要显示的项目，点击“复制实验链接”分发。设置随链接保存，接收者打开即生效；这不是账户权限控制。
打开当前课堂配置复制链接保存的是数据种子、网络结构和超参数，打开后从第 0 轮重新训练；不包含已训练权重。“导出实验记录”提供参数、损失和当前模型权重的 JSON 快照，当前版本不提供模型导入。刷新不会自动恢复训练进度。切到后台会暂停训练。
