模拟器列表
AI·计算机科学模拟器
处理机器学习、神经网络、密码、算法、数据结构的计算机科学工具集。
59 个模拟器
本领域的相关主题
相邻分类
工具列表
AdaBoost 模拟器 — 弱分类器的提升
AdaBoost Simulator — Boosting Weak Classifiers
机器学习
对二维数据进行 T 次 AdaBoost 迭代，使用深度为1的决策树桩作为弱分类器。可视化样本权重和最终强分类器的决定边界，学习为什么弱学习器的组合能实现高精度。
Adam 优化器 模拟器
Adam Optimizer Simulator
机器学习
在浏览器中体验深度学习的默认优化器 Adam。调整学习率α、β₁、β₂与迭代次数，通过等高线、损失曲线以及与普通梯度下降的对比，直观理解一阶／二阶矩与偏差修正的作用。。
1D 线性自编码器·模拟器 — 与PCA等价的压缩重构
1D Linear Autoencoder Simulator — Compression Equivalent to PCA
机器学习
在线 1D 线性自编码器模拟器：将 10 维信号经 K 维瓶颈压缩后由线性解码器重构，使用 SGD 训练。学习曲线与重构柱状图直观展示线性 AE 等价于取前 K 个主成分的 PCA。
批量正规化模拟器
Batch Normalization Simulator
机器学习
深度学习批量归一化（Batch Normalization）可视化模拟器：调整批量均值与标准差、缩放参数γ、平移参数β，实时计算归一化值x̂与BN输出y，直观理解内部协变量偏移的抑制效果与训练加速原理。。
偏差·方差 权衡 模拟器
Bias-Variance Tradeoff Simulator
机器学习
将机器学习的泛化误差分解为"偏差²、方差、噪声"三个部分进行可视化的工具。改变多项式模型的次数，实时观察欠拟合（高偏差）和过拟合（高方差）的权衡关系，以及总误差呈U形的现象。
Bloom 过滤器的假阳性率和比特数模拟器
Bloom Filter False Positive Simulator
通过位占用、误判率曲线和最优哈希数图，在内存与精度之间取平衡。
群体行为模拟器
Boids Flocking
探索Boids群集模拟器如何通过分离、对齐、聚合三条简单规则，在计算机中再现鱼群鸟群的复杂涌现行为。实时调整规则权重，动态添加天敌或引力源，直观理解个体局部交互如何塑造全局智能运动模式。适合对算法、人工生命及复杂系统感兴趣的开发者与学习者体
LRU 缓存命中率和容量效应模拟器
Cache Hit Rate Lru Simulator
并列查看命中率曲线、栈距离示意图和延迟分解，判断增加缓存容量何时收益变小。
协同过滤 模拟器
Collaborative Filtering Simulator
机器学习
免费协同过滤模拟器：体验基于用户的推荐系统如何预测评分。调整评分矩阵、近邻数 k、相似度指标（余弦或皮尔逊）与稀疏度，实时可视化预测误差、相似用户与冷启动问题。
混淆矩阵的 精确率·召回率·F1模拟器
Confusion Matrix Metrics Simulator
机器学习
由混淆矩阵计算 precision、recall、F1 和 specificity，并观察假阳性与假阴性的权衡。
交叉熵 vs MSE 损失模拟器
Cross-Entropy vs MSE Loss Simulator
机器学习
比较二分类损失函数的交互式模拟器。调整逻辑值 z 与真实标签 y，即可实时看到交叉熵损失、MSE 损失及其梯度，直观理解为何模型自信地犯错时 MSE 梯度会消失，而交叉熵成为分类标准损失。。
k-fold 交叉验证模拟器
k-Fold Cross-Validation Simulator
机器学习
免费 k 折交叉验证（k-fold cross-validation）在线模拟器：调节样本数 N、分割数 k、模型复杂度、噪声与偏差，实时计算训练 MSE、CV MSE、标准误差与泛化差距，直观理解偏差方差权衡并判断过拟合。
TCP 带宽·延迟积 BDP 窗口优化
TCP Bandwidth-Delay Product (BDP) Window Optimization Simulator
TCP 长肥网络性能在线模拟器：根据链路带宽、RTT、MSS、丢包率、TCP 变种 (CUBIC/Reno/BBR/Vegas) 与 OS 调优等级，计算 BDP、所需窗口大小、Mathis 上限、有效吞吐量与拥塞窗口。
B-tree 索引搜索成本和层级数模拟器
Database Index Btree Cost Simulator
并列查看树结构、层级成本和范围扫描增长，理解索引性能的主导因素。
DBSCAN模拟器 — 基于密度的聚类
DBSCAN Simulator — Density-Based Clustering
机器学习
DBSCAN 模拟器对 2D 点集实时应用基于密度的聚类，根据 ε 与 MinPts 判定核心点、边界点与噪声，发现任意形状的聚类。直观学习 ε 与 MinPts 的取值影响。
决策分析·期望值计算工具
Decision Analysis
机器学习
本文介绍一款决策分析期望值计算工具，可基于概率与价值计算期望货币价值(EMV)，辅助确定最优决策方案。支持实时决策树可视化、概率分布分析及龙卷风图敏感性分析，帮助用户直观评估风险与收益，提升复杂决策的科学性与效率。
决策树的不纯度指标 — Gini·熵·误分类率的比较
Decision Tree Impurity — Gini, Entropy and Misclassification
机器学习
2分类问题中3种不纯度指标在一个图表中对比。改变类比率和分割方式，直观学习为什么CART使用基尼系数，为什么误分类率不适合作为分割标准。
Diffie-Hellman 密钥共享模拟器 — 公钥交换的数论
Diffie-Hellman Key Exchange Simulator — Public Key Math
Diffie-Hellman 密钥交换模拟器：根据公开素数 p 与原根 g、Alice 与 Bob 的私钥 a、b，实时计算公开值与共享密钥 K=g^(ab) mod p，用小数字直观理解公钥密码学。
FPV 无人机 视频延迟·FPS 预算 模拟器
FPV Drone Video Latency & FPS Budget Simulator
估算 FPV 无人机端到端视频延迟（传感器→编码器→射频→解码器→显示）、所需带宽与飞手反应时间。比较模拟 5.8GHz、DJI O3、HDZero、Walksnail，判定 Race／Freestyle／Cinematic／Casual 等级。
Dropout正则化模拟器
Dropout Regularization Simulator
机器学习
免费交互式 Dropout 模拟器：调整保留概率 p、层神经元数量与随机种子，实时可视化丢弃掩码、保留数量的二项分布、1/p 反向 Dropout 缩放以及 2ⁿ 子网络总数，直观理解神经网络正则化。
Elastic Net 回归 模拟器 — L1+L2 混合正则化
Elastic Net Regression Simulator
机器学习
弹性网（Elastic Net，Zou & Hastie 2005）回归在线模拟器：调节混合比 α 与正则化强度 λ，实时显示被选特征数、有效自由度、真阳性率／假阳性率与 MSE。在 Lasso 与 Ridge 之间体验相关特征的分组选择效应。
EM算法（1维GMM）模拟器
EM Algorithm (1D GMM) Simulator
通过EM法逐次估计2成分高斯混合模型，可视化E步骤和M步骤的反复过程。每次迭代混合分布逐渐拟合观测直方图，同时对数似然单调增加的过程一目了然。
EM 算法 & 高斯混合模型 模拟器
EM Algorithm & Gaussian Mixture Model (GMM) Simulator
期望最大化 (EM) 算法与高斯混合模型 (GMM) 在线模拟器：调整混合成分数 K、样本数、迭代次数、真实重叠度与协方差类型，实时观察对数似然收敛、AIC/BIC 模型选择与聚类质量 ARI。。
高斯过程回归 — RBF核和95%置信区间
Gaussian Process Regression — RBF Kernel & 95% Confidence Band
机器学习
高斯过程回归模拟器使用RBF核对一维数据进行GP回归，实时计算并可视化预测均值与95%置信带。调整观测点数、长度尺度、信号方差和噪声，直观理解贝叶斯不确定性估计的行为。
遗传算法优化模拟器
Genetic Algorithm
机器学习
本文通过实时可视化技术，生动展示了遗传算法在优化多变量函数过程中的完整进化机制。内容详细解析了选择、交叉、变异等核心操作如何逐步驱动种群向最优解收敛，并以动画形式直观呈现了算法迭代中解空间的搜索与优化轨迹。阅读本文，您将清晰理解遗传算法的工
梯度提升 模拟器
Gradient Boosting Simulator
机器学习
浅回归树这样的"弱学习器"逐树逐次拟合残差，堆积组成强预测器，这就是梯度提升。改变树的数量、学习率、深度、噪声，实时体感训练误差如何下降、何处进入过拟合。
梯度裁剪 模拟器
Gradient Clipping Simulator
机器学习
梯度裁剪模拟器：调整裁剪阈值、学习率与学习步数，观察按范数裁剪、按值裁剪与不裁剪如何在悬崖型损失地形上防止梯度爆炸，用等高线与损失、梯度范数曲线可视化深度学习训练稳定性。。
带动量的梯度下降法模拟器
Gradient Descent with Momentum Simulator
机器学习
支持机器学习学习的优化算法体验工具。调整学习率和动量系数，可以实时看到普通梯度下降法、动量法、Nesterov加速梯度如何在细长谷地中下降，轨迹显示在等高线上，损失收敛曲线同时绘制。
梯度下降法·优化算法可视化
Gradient Descent
机器学习
梯度下降优化器可视化工具：实时交互模拟SGD、Adam、RMSprop在Rosenbrock、Himmelblau等损失面上的轨迹。直观理解机器学习优化原理，使用，助您深入掌握算法性能。
哈明码模拟器
Hamming Code Simulator
免费汉明(7,4)码模拟器：将4个数据位编码成7位码字，在任意位置注入单比特错误，并通过校验子自动定位并纠正错误。直观演示纠错码的工作原理，即ECC内存的基础。
层次聚类模拟器 — 凝聚型和树状图
Hierarchical Clustering Simulator — Agglomerative & Dendrogram
机器学习
对二维数据进行凝聚式层次聚类并实时绘制树状图。可切换single/complete/average三种连接法，通过距离阈值控制簇的数量，直观理解层次聚类的工作机制。
图像卷积核 模拟器
Image Convolution Kernel Simulator
机器学习
免费图像卷积核模拟器：切换锐化、模糊、高斯、边缘检测、Sobel、浮雕等3×3卷积核，实时观察输入图像、卷积输出与中央扫描线曲线，直观理解卷积神经网络（CNN）的核心运算。
K-分割交叉验证模拟器 — 多项式回归的次数选择
K-Fold Cross-Validation Simulator — Polynomial Degree Selection
机器学习
在线 K 折交叉验证模拟器：对一维数据拟合多项式回归，实时计算训练 MSE 与 CV MSE，自动选择最佳次数 d，可视化过拟合临界点，免费体验偏差-方差权衡。
k-means聚类 模拟器
k-Means Clustering Simulator
机器学习
免费的 k-均值聚类交互式模拟器。改变聚类数 k、数据点数与初始化方式，在浏览器中观看 Lloyd 算法迭代、WCSS 收敛以及肘部法则选择 k 的全过程，配有动画与图表。
k 最近邻法（k-NN）2D 分类模拟器 — 决策边界和 LOO 精度
k-NN 2D Classifier Simulator — Decision Boundary and LOO Accuracy
机器学习
针对3个类的2D学习数据进行k-NN分类可视化。改变k值、查询点、学习数据分散程度，直观学习决策边界形状和LOO交叉验证精度。
Kriging 代理模型 模拟器 — 高斯过程回归
Kriging Surrogate Model (Gaussian Process Regression) Simulator
机器学习
免费 Kriging（高斯过程回归 GPR）代理模型模拟器：在 SE / Matérn 3/2 / Matérn 5/2 核下可视化预测均值、95% 可信区间、对数边际似然与 RMSE。调节相关长度、信号方差与块金值，体验贝叶斯优化与 CAE 代理模型的核心思想。
学习曲线模拟器 — 过拟合·欠学习的诊断
Learning Curve Simulator — Diagnose Overfitting & Underfitting
机器学习
通过学习曲线（学习数据量对应的训练误差和验证误差图表）诊断机器学习模型是否存在过度拟合或欠拟合。实时调整模型复杂度、数据量、噪声和正则化，观察两条曲线的收敛情况。
学习率计划 模拟器
Learning Rate Schedule Simulator
机器学习
免费的机器学习学习率调度模拟器：可视化阶梯衰减、指数衰减与余弦退火三种方式，调整初始学习率、总轮数与衰减参数，实时观察学习率推移与小球以学习率为步幅下降损失谷的过程。
线性SVM模拟器 — 软间隔2D分类
Linear SVM Simulator — Soft-Margin 2D Classification
机器学习
使用次梯度下降法在线训练线性 SVM 解决二维软间隔分类问题。可视化合页损失与 L2 正则化的权衡、最大间隔超平面、支持向量，以及正则化系数 C 和噪声对决策边界的影响。
逻辑回归（2D 2类分类）模拟器
Logistic Regression (2D Binary Classifier) Simulator
机器学习
逻辑回归模拟器通过梯度下降最小化交叉熵损失，对 2D 数据进行 Sigmoid 二分类。实时调整学习率、迭代次数和 L2 正则化，可视化线性决策边界、概率等高线与训练精度。
迷宫求解器
Maze Solver
在随机生成的迷宫上实时可视化BFS、DFS、A*和Dijkstra四种经典路径搜索算法。通过直观对比探索节点数、路径长度和计算时间，深入理解各算法的核心特性、效率差异及其适用场景，生动展现算法背后的工作原理。
高斯 朴素贝叶斯分类模拟器 — 2D 3类
Gaussian Naive Bayes Classifier Simulator — 2D, 3 Classes
机器学习
2个特征的高斯朴素贝叶斯分类器的可视化。假设每个类的1D正态分布相互独立，选择使对数后验最大化的类进行预测。决策边界和后验概率实时变化。
神经网络可视化工具
Neural Network
机器学习
神经网络可视化工具：实时展示前向传播与反向传播过程，支持sigmoid、ReLU、tanh激活函数，直观呈现XOR训练、损失曲线与决策边界，助您深入理解神经网络工作原理。
机器人路径规划 模拟器
Path Planning
本文介绍基于势场法的机器人路径规划仿真器，通过引力与斥力组合势场实时计算机器人（质点）运动路径。内容涵盖势能彩色可视化、局部极小点检测，并与简易RRT方法进行对比分析，展示合力计算与路径生成过程。适用于路径规划算法学习与仿真验证。
主成分分析（PCA）模拟器 — 2D 数据的特征值分解
Principal Component Analysis (PCA) Simulator — Eigendecomposition for 2D Data
机器学习
主成分分析（PCA）模拟器对二维相关数据计算协方差矩阵的特征值与特征向量，实时显示主成分轴和贡献率。通过调节相关系数和标准差，直观学习数据的主要变化方向与降维原理。
感知器学习模拟器 — 线性分类器的收敛
Perceptron Learning Simulator — Linear Classifier Convergence
机器学习
2输入简单感知器 y = sign(w1·x1 + w2·x2 + b) 的学习规则可视化。对线性可分数据，决策边界收敛过程可通过改变学习率和初始值进行观察。
策略梯度法模拟器 — 强化学习
Policy Gradient Simulator
机器学习
免费的策略梯度（REINFORCE）模拟器。调整学习率、策略标准差、训练回合数、批大小与基线，观察高斯策略如何收敛到最优动作，并直观了解基线如何降低梯度方差、稳定学习。
池化层模拟器 — CNN
Pooling Layer Simulator — CNN
机器学习
免费的 CNN 池化层模拟器：切换最大池化与平均池化，调整池化窗口、步幅与输入特征图，实时查看输出尺寸、下采样率与运算次数，直观理解卷积神经网络如何对特征图进行下采样。
Q学习模拟器 — 强化学习网格世界
Q-Learning Simulator — Reinforcement Learning Gridworld
机器学习
体验强化学习基础算法Q学习的工具，在迷宫般的网格世界中运行。改变学习率、折扣率、探索率，实时观看代理如何仅凭报酬来学习到达目标的最优路径，以及价值函数的收敛过程。
随机森林的多数投票 — bagging 和方差降低
Random Forest Majority Vote — Bagging and Variance Reduction
机器学习
使用bootstrap重采样与特征子采样训练T棵决策树并以多数表决预测。通过对比单树精度与决策边界的平滑程度，直观理解集成为何能降低方差。
L1/L2正则化模拟器 — Lasso和Ridge
L1/L2 Regularization Simulator — Lasso vs Ridge
机器学习
可视化机器学习中 L1 正则化（Lasso）与 L2 正则化（Ridge）差异的免费模拟器。调整正则化强度 λ 与原始权重，实时比较软阈值带来的权重归零（稀疏化）与按比例缩小的不同行为。
RSA 加密模拟器 — 密钥生成和加密·解密
RSA Encryption Simulator — Key Generation, Encryption and Decryption
RSA 加密模拟器从两个素数 p、q 生成密钥对 (n, e, d)，并实时计算明文 m 的加密与解密。教学用小规模演示，让你直观理解扩展欧几里得算法与模幂运算。
Softmax和交叉熵损失 — 分类学习的核心
Softmax and Cross-Entropy Loss — Core of Classification
机器学习
Softmax 与交叉熵损失模拟器，根据三分类的对数几率与温度参数实时计算概率分布与损失值。改变温度 T 可观察分布锐化或平滑的变化，直观理解分类模型的核心训练机制。
排序算法可视化
Sorting Algorithms
通过实时动画可视化冒泡排序、快速排序等8种算法，同步追踪比较次数、交换次数及大O时间复杂度，直观理解算法效率差异。并探讨排序在有限元法（FEM）求解器中的关键应用，如Cuthill-McKee算法如何通过带状矩阵排序优化稀疏矩阵分解，提升大
谱聚类 模拟器
Spectral Clustering Simulator
机器学习
交互式谱聚类模拟器：构建 RBF、k 近邻、余弦三种亲和度矩阵，对归一化图拉普拉斯 L=D^-1/2(D-W)D^-1/2 做特征值分解，并在低维特征向量空间运行 k-means。半月形、同心圆等非凸形状被一刀切干净，k-means 无法做到。
SGLD 随机梯度朗之万 模拟器
Stochastic Gradient Langevin Dynamics (SGLD) Simulator
机器学习
随机梯度朗之万动力学（SGLD, Welling & Teh 2011）的交互式模拟器：调整步长、批大小、噪声强度与数据规模，实时可视化随机偏差、朗之万噪声、有效样本数与 R̂ 收敛指标，直观掌握贝叶斯深度学习的不确定性量化。。
TF-IDF 向量化模拟器
TF-IDF Vectorizer Simulator
机器学习
免费 TF-IDF 计算器：调整语料文档数、词出现次数、文档长度与文档频率，实时计算词频、逆文档频率与 TF-IDF 权重，将文本转为数值向量并区分特征词与停用词。
Transformer 注意力基础模拟器
Transformer Attention Basics Simulator
机器学习
免费交互式模拟器，演示 Transformer 核心的缩放点积注意力。调整三个词元方向向量、查询与温度，即可实时看到注意力权重、softmax、输出向量与注意力熵的变化，直观理解注意力如何形成。
权重初始化模拟器 — Xavier·He
Weight Initialization Simulator — Xavier & He
机器学习
可视化深层神经网络中输入信号正向传播时，活性化分布如何在各层间变化。切换初始化方法，直观观察信号消失（梯度消失）、发散（梯度爆炸）或保持稳定的现象。
使用指南
- 用cat-filter参数指定处理对象的分类，对机器学习模型的输入层进行过滤
- 选择神经网络的激活函数（ReLU、Sigmoid、Tanh），执行正向传播计算
- 实时确认输出层的预测值和损失函数值（交叉熵），验证反向传播结果
具体计算示例
在图像分类任务中学习犬·猫·鸟的3个分类时，设定cat-filter='cat'会从输入特征784维（28×28像素）提取猫相关特征。隐层128神经元、学习率0.001、批大小32的条件下训练10个轮，猫图像分类精度达到约94.5%。应用权重矩阵L2正则化系数λ=0.0001，抑制过拟合，验证数据损失值从0.142改善到0.138。
实务中的注意事项
- 当cat-filter中存在分类不均衡时（猫图像仅占全体的15%），使用加权交叉熵，将少数分类的罚值设为2.5倍
- 神经网的初始权重若不用He初始化（标准差=√(2/输入数)），ReLU层会发生梯度消失
- 验证密码化算法时使用AES-256、RSA-2048等实运用级密钥长度，测试用短密钥不能进行脆弱性评估