David Finsterwalder开源了一款基于Three.js的神经网络可视化工具，展示了一个简单多层感知机（MLP）在MNIST手写数字上的训练过程。所有训练和可视化代码用PyTorch写成，完全开源，方便学生和开发者直观理解神经网络的动态变化。
这款工具运行在浏览器上，权重数据以JSON形式存储，适合桌面大屏体验，手机端菜单显示有些重叠。尽管目前教学内容主要是德语且依赖现场讲解，作者计划未来翻译并丰富教育资料，甚至考虑通过WebRTC支持平板手写输入，提升互动体验。
Finsterwalder称此项目100%“vibecoded”完成，得益于Three.js的强大以及PyTorch实现MLP的简洁。他的灵感部分来自3Blue1Brown的神经网络视频封面，强烈推荐该频道作为神经网络入门资源。
该项目更适合教学核心原理，网络结构简单（约11万参数），相比大型模型如LLM更便于理解和演示。社区反响热烈，大家一致认为此类可视化是连接理论与实际的桥梁，有助学生直观感受模型训练，甚至激发研究者对架构互动式实验的兴趣。
与现有类似项目相比，Finsterwalder强调自己更注重动态权重更新的展示和空间三维效果，避免了扁平神经元排列的视觉局限。他也在与展览方沟通，期待将此工具带入更多教学和展示场景。
体验地址 | 帖子 | 代码仓库 | #可视化 #工具
这款工具运行在浏览器上，权重数据以JSON形式存储，适合桌面大屏体验，手机端菜单显示有些重叠。尽管目前教学内容主要是德语且依赖现场讲解，作者计划未来翻译并丰富教育资料，甚至考虑通过WebRTC支持平板手写输入，提升互动体验。
Finsterwalder称此项目100%“vibecoded”完成，得益于Three.js的强大以及PyTorch实现MLP的简洁。他的灵感部分来自3Blue1Brown的神经网络视频封面，强烈推荐该频道作为神经网络入门资源。
该项目更适合教学核心原理，网络结构简单（约11万参数），相比大型模型如LLM更便于理解和演示。社区反响热烈，大家一致认为此类可视化是连接理论与实际的桥梁，有助学生直观感受模型训练，甚至激发研究者对架构互动式实验的兴趣。
与现有类似项目相比，Finsterwalder强调自己更注重动态权重更新的展示和空间三维效果，避免了扁平神经元排列的视觉局限。他也在与展览方沟通，期待将此工具带入更多教学和展示场景。
体验地址 | 帖子 | 代码仓库 | #可视化 #工具
