神經網路圖展示構成架構的網路層、神經元與連線。對於多層感知機，只需提供各層的神經元數量即可開始繪圖。
輸入已知的網路結構，工具會排列全連接層、新增標籤，並分別計算權重和偏差。結果用於說明架構，不模擬學習過程。
01
定義結構
命名輸入層、隱藏層和輸出層，並設定各層的神經元數量。
02
核對計算
在論文或報告中使用參數總數前，檢查每一組層間連線。
03
保留可編輯的原始檔
在匯出 SVG 或 PNG 的同時儲存 JSON 設定，方便日後修改圖表。
根據每層的神經元數量繪製全連接前饋神經網路。比較架構、核對權重與偏差，為論文、簡報或教學匯出可編輯的 SVG、PNG 圖片或 CSV 參數報告。
每行輸入“標籤,數量”，使用英文逗號。支援 2–10 層，每層 1–10,000 個神經元，標籤最多 24 個字元。
圖表設定在瀏覽器中處理，無需帳號、上傳或 AI 點數。
| 層間連線 | 權重矩陣（輸出 × 輸入） | 權重 / 連線 | 偏差 | 參數佔比 |
|---|---|---|---|---|
| 輸入層 → 隱藏層 1 | 6 × 4 | 24 | 6 | 32.26% |
| 隱藏層 1 → 隱藏層 2 | 6 × 6 | 36 | 6 | 45.16% |
| 隱藏層 2 → 輸出層 | 3 × 6 | 18 | 3 | 22.58% |
相鄰全連接層：權重數 = 輸入數 × 輸出數；啟用偏差時，偏差數 = 輸出數。圖中不繪製偏差節點。 矩陣維度採用輸出單元數 × 輸入單元數。每行佔比為該行權重與偏差之和除以整個網路的參數總數。
連線表示拓撲關係，不表示學習到的權重值。隱藏連線不會改變參數統計。
本工具繪製全連接前饋網路，不訓練模型，也不匯入 PyTorch/Keras 程式碼。
固定一個基線，再修改網路層或載入其他範例，檢視參數數量的具體變化。
尚未設定基線。修改層設定前，可在此保留當前網路。
CSV 包含層維度、權重、偏差、參數總數及各層間連線的參數佔比。設定基線後，還會包含兩個網路及其總數差異。
比較採用完整的全連接層規模，包含圖中省略的節點。參數更少不保證準確率更高或推論更快。基線會在清除或重新整理頁面後消失；JSON 僅儲存當前網路。
使用 paper banana，將研究方法、機制與流程轉成清晰的科研圖片。
從架構到圖表
神經網路圖展示構成架構的網路層、神經元與連線。對於多層感知機，只需提供各層的神經元數量即可開始繪圖。
輸入已知的網路結構，工具會排列全連接層、新增標籤，並分別計算權重和偏差。結果用於說明架構，不模擬學習過程。
命名輸入層、隱藏層和輸出層，並設定各層的神經元數量。
在論文或報告中使用參數總數前，檢查每一組層間連線。
在匯出 SVG 或 PNG 的同時儲存 JSON 設定，方便日後修改圖表。
每張預覽均由本工具繪製。載入範例後，修改網路層以匹配自己的架構。
讓結構更易理解
從已知架構出發，讓網路結構便於檢查。
研究者可將已知的全連接模型轉為可編輯 SVG，用於論文或學位論文。按期刊要求調整版式前，先檢查層規模和參數報告。
教師可用 3–5–1 迴歸範例講解輸入層、隱藏層和輸出層。切換偏差設定並檢查矩陣維度，說明參數數量的計算來源。
機器學習工程師可固定架構、修改隱藏層或瓶頸層，並匯出兩份參數報告。規模比較應結合獨立的模型評估，不代表準確率評分。
繪製、核對、複用
按實際層規模調整多層感知機圖。修改架構時，標籤、連線與統計會同步更新。
將當前架構固定為基線，再修改層設定，檢查權重、偏差與參數總數的差異。展開逐層明細，檢視哪些層間連線佔用最多參數。
將啟用偏差的 4–6–6–3 分類網路設為基線，再載入 3–5–1 迴歸範例。參數從 93 降至 26，減少 67 個，即 72.04%。這比較的是規模，不是預測質量。
每組層間連線顯示權重矩陣維度（輸出單元數 × 輸入單元數）及參數佔比。即使大層採用省略顯示，統計也使用完整層規模。
下載 CSV，保留每組連線的維度、權重、偏差、參數數與佔比。設有基線時，報告還包含兩個架構、各自的偏差設定及總數差異。
少些重複繪製，多些清晰表達
將圖表與對應設定一起保留。
更改神經元數量或新增隱藏層，網路圖與參數列會同步更新。
SVG 保留清晰線條和可編輯標籤；PNG 適合文件、簡報與快速分享。
下載 JSON 檔案，在審稿人要求修改架構圖時重新載入。
簡潔的操作流程
四步將層列表變成可下載的網路圖。
載入分類網路、迴歸網路、全連接自編碼器或省略顯示的大型網路。
每行輸入一組“標籤,數量”，使用英文逗號。第一層是輸入層，最後一層是輸出層。
修改層設定前固定基線。比較參數總數，檢查矩陣維度與各層間連線的參數佔比，並調整偏差設定。
下載 SVG 或 PNG 及 CSV 參數報告。儲存 JSON 以便日後重新開啟當前網路；比較基線僅保留在本次頁面會話中。
繪圖前的常見問題
每行輸入一組“標籤,數量”，例如 Input,4、Hidden,6、Output,3，使用英文逗號。支援 2–10 層，每層 1–10,000 個神經元。列表有效時預覽自動更新。選擇配色與間距、核對數量後即可下載 SVG 或 PNG，無需編寫繪圖程式碼。
可匯出 SVG、PNG 網路圖、CSV 參數報告及便於後續編輯的 JSON 設定，無需帳號、沒有浮水印，也不消耗 AI 點數。你可以設定全連接層、載入四個範例、預覽修改並比較架構。計算和匯出均在瀏覽器中完成。
工具繪製全連接前饋網路，包括 MLP 和全連接自編碼器。卷積核和特徵圖需要使用專門的卷積神經網路繪圖工具。當前版本不繪製 CNN、RNN 或 Transformer 架構，不訓練模型，也不匯入 PyTorch 或 Keras 程式碼。
對每一組相鄰全連接層，將輸入單元數乘以輸出單元數得到權重數。啟用偏差時，每個輸出單元增加一個偏差。逐層表格顯示輸出 × 輸入的矩陣維度與參數佔比。統計不包含卷積、權重共享、歸一化、迴圈連線或注意力機制。
將當前網路固定為基線，再修改層設定或載入其他範例。比較權重、偏差、參數總數和百分比變化。下載 CSV 可保留兩個架構、層維度、參數佔比和總數差異。參數更少並不代表準確率更高或推論更快。
超過 8 個神經元的層顯示 8 個圓、省略號及省略數量。圖中保留完整層規模，所有統計使用實際數量。例如啟用偏差的 784–128–64–10 網路含 109,184 個權重與 202 個偏差，即使圖中僅顯示 32 個圓點。
下載 SVG 可獲得可編輯的向量形狀與標籤；PNG 以圖表尺寸的兩倍匯出，便於放入文件和簡報。使用 LaTeX 時，可插入 PNG，或將 SVG 轉為環境支援的格式。本工具不匯出 PDF、TikZ 或 LaTeX 原始碼。
儲存 JSON 可保留當前層列表、標籤、標題、配色、間距、偏差和連線顯示設定，載入檔案即可恢復網路。固定的比較基線不包含在 JSON 中，它會在清除或重新整理頁面後消失。離開頁面前請下載比較 CSV。
