えっと、ディープラーニング(AI)って何？
データから学習するコンピュータープログラムを構築する技術のこと。「人間の脳の働き」を大ざっぱに真似たものです。
まず、「ニューロン」（neuron： 神経細胞）と呼ばれる単位機能を層（layer）の中に複数作成し、また層も複数作成したうえで、各層間でそれぞれのニューロンがメッセージをやり取りできるように結合（connections）させて、ネットワークを形成します。
次に、そのネットワークに問題を繰り返し与えて、解かせていきます。これが学習です。学習のたびに、正解に導く結合は強め、不正解に導く結合は弱めていくことで、問題に対して正解を答える精度（accuracy：正解率）が徐々に高まっていきます。逆に言うと、誤差（error、もしくはloss：損失）が小さくなっていくということです。
これをニューラルネットワークと呼び、中間層が2層以上のものをディープラーニングと呼び、AI（人工知能）の実装として使われています。
それぞれの色の意味は？
ニューラルネットワークの学習過程を視覚化するために、青色とオレンジ色を使っています。
色の使い方が微妙に異なる部分はありますが、基本的に、青色は「正の値」（positive values）を表し、オレンジ色は「負の値」（negative values）を表しています。
入力層（input layer）においては、データの点（points： 小さな円で表現されている）それぞれが、もともと青色かオレンジ色で着色されています（［出力］のグラフ図を参照）。
つまり、各点が初めから「正の値」か「負の値」（正解ラベル）に対応付けられているということです。
中間層（hidden layers）においては、ニューロン間の結合の重み（weights）によって、線が着色されています。
青色の線は「正の重み」（positive weight）を表し、オレンジ色の線は「負の重み」（negative weight）を表しています。
正の重みとは、その線の接続元にあるニューロンから与えられた出力を、他のニューロンの入力として使用する可能性が高い（＝発火を促進する）ということです。
逆に、負の重みとは、使用しない可能性が高い（＝発火を抑制する）ということです。
線の色の濃さは、その結合の強度を表します。
出力層（output layer）においては、前述したように、データの点それぞれが、もともとの値（正解ラベル）に基づき、青色かオレンジ色で着色されています。
また、背景色が塗られた領域は、学習済みのネットワークによって出力された予測結果が「正」か「負」のどちらの領域に入るかを視覚的に表現しています。
背景色の濃さは、その予測結果の信頼度を表します。
何のライブラリを使っているの？
このページが提供するソフトウェアの目的は、教育用にニューラルネットワークを視覚化することです。これを実現するために独自に書いた、小さなニューラル ネットワーク ライブラリを使っています。実世界のアプリケーション向けには、TensorFlow ライブラリの利用を検討してください。
これはすごいね、他でも使っていい？
ぜひ、やってみてください！ ニューラルネットワークが少しでもアクセスしやすく学びやすくなることを願って、GitHub（オリジナル版）、もしくは独自運用と日本語化を行っている Deep Insider による Fork 版、もしくは少し調整した Code for FUKUI による Fork 版 でオープンソース（Apache 2.0 ライセンス）にしています。このライセンスに従ってさえいれば、どんな使い方でも自由です。また、もし追加や変更の提案があれば、ぜひお知らせください。
さらに、特定のトピックやレッスンに対応する Playground（実験場）として調整できるように、いくつかのカスタマイズ項目を提供しています。具体的には以下から、「表示したい機能」を選択するだけです。あとは、 を保存するか、 このページを再読み込み してください。
※注意： ［損失関数］欄にある「平均二乗誤差」は、実際には「二乗和誤差」になっています。
対応する記事での実装方法に合わせて、「平均二乗誤差」と表記しています。
※Tips 1： ページの枠デザインやテキスト部分を非表示にするには、下記のパラメーターに手動で修正してください。
&hideText=false
※Tips 2： 各項目を非表示にするには、下記のパラメーターを手動で指定してください。
&x_hide=true
&y_hide=true
&xSquared_hide=true
&ySquared_hide=true
&xTimesY_hide=true
&sinX_hide=true
&sinY_hide=true
&prepare_hide=true
&description_hide=true
&cnum1_hide=true ～ &cnum8_hide=true
&numNodes1_hide=true ～ &numNodes6_hide=true
&epoch_hide=true
ちなみに、上記のチェックボックスでは、＜既存パラーメーター名＞_hide = true が自動的に指定されます。これと同じことを手動でする必要があります。
※Tips 3： オリジナル版の重みやバイアスの値で初期化する場合は、下記のパラメーターを手動で指定してください。
&initOrigin=true
※Tips 4： 乱数シードを指定するには、下記のパラメーターを手動で指定してください。
&seed=0.12345
※Tips 5： 各パラメーターの初期値は以下のとおりです。
［問題種別］関連のパラメーター：
【problem】 classification
【dataset】 circle
【regDataset】 reg-plane
［前処理／データ生成］関連のパラメーター：
【percTrainData】 50
【noise】 0
【seed】 0.XXXXX（ランダム）
［学習とデータ］関連のパラメーター：
【batchSize】 10
【batchFull】 false
［入力（特徴）］関連のパラメーター：
【x】 true
【y】 true
【xSquared】 false
【ySquared】 false
【xTimesY】 false
【sinX】 false
【sinY】 false
［中間層］関連のパラメーター：
【networkShape】 4,2
［ニューロン］関連のパラメーター：
【activation】 tanh
［リンク（重みとバイアス）］関連のパラメーター：
【initOrigin】 false
［学習の実行］関連のパラメーター：
【learningRate】 0.03
【regularization】 なし（L1、L2）
【regularizationRate】 0
［出力］関連のパラメーター：
【showTrainData】 false
【showValidationData】 false
【showTestData】 false
【discretize】 false
［全体表示］関連のパラメーター：
【hideText】 false
クレジット
このページとソフトウェアは、Daniel Smilkov 氏 と Shan Carter 氏 が作成しました。
これは、多くの人の過去の成果を継承することで成り立っています。とりわけ Karpathy 氏の convnet.js デモと、Chris Olah 氏のニューラルネットワークに関する記事が役立っています。
また、元となるアイデアで助けていただいた D. Sculley 氏や、フィードバックと指導を頂いた Fernanda Viégas 氏と、Martin Wattenberg 氏、その他の Big Picture ＆ Google Brain チームの皆さんに、感謝を申し上げます。