神经网络图展示构成架构的网络层、神经元与连接。对于多层感知机，只需提供各层的神经元数量即可开始绘图。
输入已知的网络结构，工具会排列全连接层、添加标签，并分别计算权重和偏置。结果用于说明架构，不模拟学习过程。
01
定义结构
命名输入层、隐藏层和输出层，并设置各层的神经元数量。
02
核对计算
在论文或报告中使用参数总数前，检查每一组层间连接。
03
保留可编辑的源文件
在导出 SVG 或 PNG 的同时保存 JSON 配置，方便日后修改图表。
神经网络图生成器根据每层的神经元数量绘制全连接前馈网络。比较架构、核对权重与偏置，为论文、演示或教学导出可编辑的 SVG、PNG 图片或 CSV 参数报告。
每行输入“标签,数量”，使用英文逗号。支持 2–10 层，每层 1–10,000 个神经元，标签最多 24 个字符。
图表设置在浏览器中处理，无需账户、上传或 AI 积分。
| 层间连接 | 权重矩阵（输出 × 输入） | 权重 / 连接 | 偏置 | 参数占比 |
|---|---|---|---|---|
| 输入层 → 隐藏层 1 | 6 × 4 | 24 | 6 | 32.26% |
| 隐藏层 1 → 隐藏层 2 | 6 × 6 | 36 | 6 | 45.16% |
| 隐藏层 2 → 输出层 | 3 × 6 | 18 | 3 | 22.58% |
相邻全连接层：权重数 = 输入数 × 输出数；启用偏置时，偏置数 = 输出数。图中不绘制偏置节点。 矩阵维度采用输出单元数 × 输入单元数。每行占比为该行权重与偏置之和除以整个网络的参数总数。
连线表示拓扑关系，不表示学习到的权重值。隐藏连线不会改变参数统计。
本工具绘制全连接前馈网络，不训练模型，也不导入 PyTorch/Keras 代码。
固定一个基线，再修改网络层或加载其他示例，查看参数数量的具体变化。
尚未设置基线。修改层配置前，可在此保留当前网络。
CSV 包含层维度、权重、偏置、参数总数及各层间连接的参数占比。设置基线后，还会包含两个网络及其总量差异。
比较采用完整的全连接层规模，包含图中省略的节点。参数更少不保证准确率更高或推理更快。基线会在清除或刷新页面后消失；JSON 仅保存当前网络。
使用 paper banana，将研究方法、机制与流程转成清晰的科研图片。
从架构到图表
神经网络图展示构成架构的网络层、神经元与连接。对于多层感知机，只需提供各层的神经元数量即可开始绘图。
输入已知的网络结构，工具会排列全连接层、添加标签，并分别计算权重和偏置。结果用于说明架构，不模拟学习过程。
命名输入层、隐藏层和输出层，并设置各层的神经元数量。
在论文或报告中使用参数总数前，检查每一组层间连接。
在导出 SVG 或 PNG 的同时保存 JSON 配置，方便日后修改图表。
每张预览均由本工具绘制。加载示例后，修改网络层以匹配自己的架构。
让结构更易理解
从已知架构出发，让网络结构便于检查。
研究者可将已知的全连接模型转为可编辑 SVG，用于论文或学位论文。按期刊要求调整版式前，先检查层规模和参数报告。
教师可用 3–5–1 回归示例讲解输入层、隐藏层和输出层。切换偏置设置并检查矩阵维度，说明参数数量的计算来源。
机器学习工程师可固定架构、修改隐藏层或瓶颈层，并导出两份参数报告。规模比较应结合独立的模型评估，不代表准确率评分。
绘制、核对、复用
按实际层规模调整多层感知机图。修改架构时，标签、连接与统计会同步更新。
将当前架构固定为基线，再修改层配置，检查权重、偏置与参数总数的差异。展开逐层明细，查看哪些层间连接占用最多参数。
将启用偏置的 4–6–6–3 分类网络设为基线，再加载 3–5–1 回归示例。参数从 93 降至 26，减少 67 个，即 72.04%。这比较的是规模，不是预测质量。
每组层间连接显示权重矩阵维度（输出单元数 × 输入单元数）及参数占比。即使大层采用省略显示，统计也使用完整层规模。
下载 CSV，保留每组连接的维度、权重、偏置、参数数与占比。设有基线时，报告还包含两个架构、各自的偏置设置及总量差异。
少些重复绘制，多些清晰表达
将图表与对应设置一起保留。
更改神经元数量或添加隐藏层，网络图与参数表会同步更新。
SVG 保留清晰线条和可编辑标签；PNG 适合文档、演示与快速分享。
下载 JSON 文件，在审稿人要求修改架构图时重新加载。
简洁的操作流程
四步将层列表变成可下载的网络图。
加载分类网络、回归网络、全连接自编码器或省略显示的大型网络。
每行输入一组“标签,数量”，使用英文逗号。第一层是输入层，最后一层是输出层。
修改层配置前固定基线。比较参数总数，检查矩阵维度与各层间连接的参数占比，并调整偏置设置。
下载 SVG 或 PNG 及 CSV 参数报告。保存 JSON 以便日后重新打开当前网络；比较基线仅保留在本次页面会话中。
绘图前的常见问题
每行输入一组“标签,数量”，例如 Input,4、Hidden,6、Output,3，使用英文逗号。支持 2–10 层，每层 1–10,000 个神经元。列表有效时预览自动更新。选择配色与间距、核对数量后即可下载 SVG 或 PNG，无需编写绘图代码。
可导出 SVG、PNG 网络图、CSV 参数报告及便于后续编辑的 JSON 设置，无需账户、没有水印，也不消耗 AI 积分。你可以配置全连接层、加载四个示例、预览修改并比较架构。计算和导出均在浏览器中完成。
工具绘制全连接前馈网络，包括 MLP 和全连接自编码器。卷积核和特征图需要使用专门的卷积神经网络绘图工具。当前版本不绘制 CNN、RNN 或 Transformer 架构，不训练模型，也不导入 PyTorch 或 Keras 代码。
对每一组相邻全连接层，将输入单元数乘以输出单元数得到权重数。启用偏置时，每个输出单元增加一个偏置。逐层表格显示输出 × 输入的矩阵维度与参数占比。统计不包含卷积、权重共享、归一化、循环连接或注意力机制。
将当前网络固定为基线，再修改层配置或加载其他示例。比较权重、偏置、参数总数和百分比变化。下载 CSV 可保留两个架构、层维度、参数占比和总量差异。参数更少并不代表准确率更高或推理更快。
超过 8 个神经元的层显示 8 个圆、省略号及省略数量。图中保留完整层规模，所有统计使用实际数量。例如启用偏置时，784–128–64–10 网络含 109,184 个权重与 202 个偏置，即使图中仅显示 32 个圆点。
下载 SVG 可获得可编辑的矢量形状与标签；PNG 以图表尺寸的两倍导出，便于放入文档和演示。使用 LaTeX 时，可插入 PNG，或将 SVG 转为环境支持的格式。本工具不导出 PDF、TikZ 或 LaTeX 源代码。
保存 JSON 可保留当前层列表、标签、标题、配色、间距、偏置和连线显示设置，加载文件即可恢复网络。固定的比较基线不包含在 JSON 中，它会在清除或刷新页面后消失。离开页面前请下载比较 CSV。
