不用等 AI 画图——填入各层神经元数，网络架构图立即按确定的规则重绘，在逐神经元视图与模块框图之间切换，完成后导出 SVG 或 PNG。
同样的层规格输入，这个神经网络架构图生成器能画出全连接 MLP、收窄再展开的自编码器、大层折叠显示，或是 CNN 模块框图——按论文里实际描述模型的方式选布局，而不是所有结构都套同一种画法。
输入层、两层隐藏层、输出层，四层全连接并按方法部分惯用的方式标注。
沙漏形布局先收窄到两个单元的瓶颈层，再对称展开——编码器-解码器结构的常见画法。
64 个神经元的输入层只画出首尾几个节点，中间用省略号代替，既保持图纸清晰又不隐藏真实层规模。
卷积、池化、全连接各阶段化为带标签的矩形块，箭头依次相连——大多数卷积与 Transformer 论文实际采用的画法。
四层 MLP 用圆圈和连线画最直观；ResNet 的一个阶段或 Transformer 编码器则更适合用带标签的矩形表示。切换模式无需重新输入层规格——同一份数据驱动两种画法。
输入逗号分隔的层规格，或每行一层带名称，图形立即重绘——导出前先核对节点数、层序与标签，而不是导出后才发现不对。
设定单层最多显示的神经元数，超出的层会只画出首尾节点、中间以省略号代替——这是已发表图纸表现 128、256 个单元的大层时的通用画法，既不用画出全部连线，也不会让圆圈挤成一条实心色带。
每层都可自定义名称，也可用按位置推导的类型——输入层、Hidden 1、Hidden 2、输出层——再加上神经元数或通道维度，最后把整张网络架构图导出为适合期刊排版的矢量 SVG，或用于幻灯片的 PNG。
神经网络架构图展示模型各层及其连接方式：逐神经元视图用圆圈表示单个神经元、连线表示带权连接；模块框图则用带标签的矩形表示卷积、注意力这类更大的结构单元。
论文里通常会标出输入层、按顺序给隐藏层编号、单独标出输出层，因为审稿人会拿这些标签去核对正文描述的结构是否一致。箭头和普通连线在已发表的图中都很常见。
对于神经元数不多的简单 MLP，逐个画出神经元能让图一目了然；一旦单层达到几十个单元，改用带维度标注的模块框图才能在不画出全部连线的情况下把结构讲清楚。这类图形结构本身是规则的分层布局，用确定性算法直接算出坐标，比等 AI 画图更快也更可控——改一个数字就能重新排版，不必因为某个细节不对再重新生成一轮。
四步完成从原始层规格到可用于论文、毕业论文或幻灯片的架构图。
写成一行逗号分隔的数字，如 4,8,8,3；或每行一层带名称，如 Input,4 / Hidden 1,8——想要自定义标签而不是按位置推导的标签时用后一种写法。两种写法都适用于 MLP、编码器-解码器结构，或用来标注 CNN 各层通道数。
小型 MLP 选逐神经元视图；CNN、ResNet 或 Transformer 这类逐神经元会画不清楚的结构，选模块框图——这也是它们在论文里的通行画法。
开关层类型标签与维度标注，选择配色方式，并设定大层折叠为省略号前最多显示的神经元数，让图在幻灯片和印刷尺寸下都清晰可读。
下载矢量 SVG 放进 LaTeX 或期刊模板，或直接导出 PNG 用于幻灯片、预印本草稿。
该画到什么颗粒度、层要怎么标、投稿该交哪种格式。
在上方填入各层神经元数，模型无法拆到单个神经元时切换到模块框图，再把这个神经网络架构图生成器输出的成图导出为 SVG 或 PNG，直接放进你的下一版初稿。
