各層のニューロン数から全結合フィードフォワードネットワークを描画します。構造を比較し、重みとバイアスを確認して、論文・発表・授業向けの編集可能な SVG、PNG、CSV パラメータレポートを出力できます。
1 行に「ラベル,個数」を半角カンマ区切りで入力。2〜10 層、各層 1〜10,000 ニューロン、ラベルは 24 文字以内です。
設定はブラウザ内で処理されます。アカウント、アップロード、AI クレジットは不要です。
| 層間の接続 | 重み行列（出力 × 入力） | 重み / 接続 | バイアス | パラメータの割合 |
|---|---|---|---|---|
| 入力層 → 隠れ層 1 | 6 × 4 | 24 | 6 | 32.26% |
| 隠れ層 1 → 隠れ層 2 | 6 × 6 | 36 | 6 | 45.16% |
| 隠れ層 2 → 出力層 | 3 × 6 | 18 | 3 | 22.58% |
隣接する全結合層では、重み数 = 入力数 × 出力数。有効時のバイアス数 = 出力数。バイアスノードは描画しません。 行列の次元は出力ユニット数 × 入力ユニット数です。各行の割合は、重みとバイアスの合計をネットワーク全体のパラメータ総数で割った値です。
線は接続構造を表し、学習済みの重みではありません。線を非表示にしても集計は変わりません。
全結合フィードフォワードネットワークを描画するツールです。モデルの学習や PyTorch/Keras コードの読み込みには対応していません。
基準を固定してから層を編集するか、別の例を読み込み、パラメータ数の変化を確認します。
基準がありません。層を変更する前に現在のネットワークをここに保持できます。
CSV には層の次元、重み、バイアス、パラメータ総数と各接続の割合を含めます。基準がある場合は両ネットワークと総数の差分も含みます。
比較には省略表示のノードを含む全結合層の実際の規模を使います。パラメータが少なくても高精度や高速推論は保証されません。基準は解除またはページ再読み込みまで保持され、JSON は現在のネットワークのみ保存します。
paper bananaで、研究方法、メカニズム、ワークフローを分かりやすい科学図にしましょう。
構造から図へ
ニューラルネットワーク図は、構造を定義する層・ニューロン・接続を示します。多層パーセプトロンなら、各層のニューロン数があれば描画を始められます。
既知の構造を入力すると、全結合層の配置とラベル付けを行い、重みとバイアスを別々に計算します。構造を説明するための図であり、学習のシミュレーションではありません。
入力層・隠れ層・出力層に名前を付け、各層のニューロン数を設定します。
パラメータ総数を研究に使う前に、各層間の接続を確認します。
SVG や PNG と一緒に JSON 設定を保存すれば、後から図を修正できます。
各プレビューはこのツールで描画しています。例を読み込み、層を変更して自分の構造に合わせられます。
伝わる説明のために
既知の構造を、確認しやすい図にします。
研究者は既知の全結合モデルを編集可能な SVG にして、投稿論文や学位論文に使えます。投稿先の図版形式に整える前に、層規模とパラメータレポートを確認してください。
3–5–1 の回帰例で入力層・隠れ層・出力層を説明できます。バイアス設定と行列の次元を確認し、パラメータ数の計算根拠を示せます。
ML エンジニアは基準を固定し、隠れ層やボトルネックを変更して、両方のレポートを出力できます。規模の比較は別途行うモデル評価と併用し、精度の指標としては扱わないでください。
描く・確認する・再利用する
実際の層規模に基づいて多層パーセプトロンの図を調整します。構造を変えるとラベル・接続・集計が一緒に更新されます。
784 ユニットの入力層を 8 個の円、省略記号、省略数で表示します。全ニューロン数をラベルに残し、パラメータ計算には全接続を含めます。
ニューラルネットワーク図を今すぐ作成
ベクター編集には SVG、スライドや文書には PNG を出力できます。JSON で現在の構造を再開し、行列次元・重み・バイアス・割合の CSV を実験ノートに保存できます。
ニューラルネットワーク図を今すぐ作成現在の構造を基準に固定し、層を変更して重み・バイアス・パラメータ総数の差を確認します。内訳を開くと、どの層間接続の割合が大きいか分かります。
バイアスありの 4–6–6–3 分類モデルを固定し、3–5–1 回帰例を読み込むと、93 から 26 パラメータへ変化します。67 個、72.04% の削減です。予測性能ではなく規模の比較です。
各接続について出力ユニット数 × 入力ユニット数の重み行列と、全体に占める割合を表示します。大きな層を省略していても、計算には実際の層規模を使います。
CSV に各接続の次元、重み、バイアス、パラメータ数、割合を出力します。基準がある場合は両構造、各バイアス設定、総数の差も含めます。
描き直しを減らし、説明に集中
図と元の設定を一緒に保管できます。
ニューロン数を変更したり隠れ層を追加したりすると、図とパラメータ表が同時に更新されます。
SVG は鮮明な線と編集可能なラベルを保持し、PNG は文書・スライド・共有に適しています。
JSON をダウンロードしておけば、査読で構造図の修正が必要になった際に再読み込みできます。
短い操作手順
層のリストからダウンロード可能な図まで、4 ステップで進めます。
分類・回帰・全結合オートエンコーダ・大規模ネットワークの例を読み込みます。
各行に「ラベル,個数」を半角カンマで区切って入力します。最初が入力層、最後が出力層です。
変更前に基準を固定します。総数、行列の次元、各接続の割合を確認し、バイアス設定を調整します。
SVG または PNG と CSV レポートをダウンロードします。JSON は現在の構造の再編集用です。比較基準はページ再読み込みまでの保持となります。
図の仕上げも続けて
周辺の図や最終出力の準備に利用できます。
描画前の疑問
各行に「ラベル,個数」を入力します。例は Input,4、Hidden,6、Output,3 で、区切りは半角カンマです。2〜10 層、各層 1〜10,000 ニューロンに対応します。有効な入力でプレビューが更新され、配色と間隔の調整・数量の確認後、コードを書かずに SVG や PNG を出力できます。
SVG・PNG の図、CSV パラメータレポート、再編集用の JSON 設定を出力できます。アカウント、透かし、AI クレジットは不要です。全結合層の設定、4 つの例、プレビュー、構造比較を利用でき、計算と出力はブラウザ内で行います。
MLP や全結合オートエンコーダなど、全結合フィードフォワードネットワークを描画します。畳み込みカーネルや特徴マップには専用の CNN 描画ツールが必要です。現バージョンは CNN・RNN・Transformer の描画、モデル学習、PyTorch・Keras コードの読み込みには対応していません。
隣接する全結合層ごとに入力ユニット数 × 出力ユニット数で重み数を計算します。バイアス有効時は出力ユニットごとに 1 個加算します。表には出力 × 入力の行列次元と割合を表示します。畳み込み、重み共有、正規化、再帰接続、注意機構は計算対象外です。
現在の構造を基準に固定し、層を編集するか別の例を読み込みます。重み・バイアス・パラメータ総数と変化率を比較できます。CSV には両構造、層の次元、割合、総数の差を保存します。パラメータ数の少なさは高精度や高速推論を意味しません。
8 ニューロンを超える層は 8 個の円と省略記号、省略数で表示します。ラベルと集計には実際の全体数を使います。例えばバイアスありの 784–128–64–10 は重み 109,184、バイアス 202 ですが、表示する円は合計 32 個です。
SVG は図形とラベルをベクター編集できます。PNG は図の 2 倍の寸法で出力され、文書やスライドに利用できます。LaTeX では PNG を使うか、SVG を環境が対応する形式へ変換してください。PDF・TikZ・LaTeX ソースの出力機能はありません。
JSON に現在の層リスト、ラベル、タイトル、配色、間隔、バイアス、接続表示設定を保存し、再読み込みで復元できます。固定した比較基準は JSON に含まれず、解除またはページ再読み込みで消えます。離れる前に比較 CSV をダウンロードしてください。
次の構造図を準備
全結合層の規模を入力し、別の構造と比較して、ラベル付きの図とパラメータレポートを出力できます。設定と計算はブラウザ内で完結します。
