Zeichnen Sie Ihr neuronales Netz als Diagramm – direkt aus einer schriftlichen Modellbeschreibung. Nennen Sie Schichten, Tensorformen, Skip Connections und wiederholte Blöcke, und Sie erhalten eine saubere Architekturgrafik für Paper, Abschlussarbeiten, Poster und Folien.
Architekturdiagramme für CNNs und TransformerTensorformen und Skip ConnectionsOhne Wasserzeichen
Netzarchitektur mit KI zeichnen
Beschreiben Sie die Schichten, Tensorformen und Verbindungen Ihres Modells.
Kostet 5 Credits512 / 2000 Zeichen
Erzeugt aus Ihrer Beschreibung eine Architekturgrafik als PNG.
Vorschau
Beispiele: neuronale Netze als Diagramm
Ziel-Seitenverhältnis: 16:9
Beispielvorschauen. Beschreiben Sie Ihr Modell, um Ihr eigenes Diagramm zu erstellen.
Beispiele für Architekturdiagramme neuronaler Netze
Fahren Sie mit der Maus über eine Karte, um ihren Prompt zu kopieren. Jedes Beispiel nennt Schichten, Tensorformen und Verbindungen ausdrücklich, damit die Abbildung zum Modell passt.
Prompt
Erstellen Sie ein Architekturdiagramm des Transformer-Encoders, Datenfluss von unten nach oben. Eingabe-Tokens → Token Embedding (d_model = 512) plus sinusförmiges Positional Encoding. Darüber eine Encoder-Schicht in einem abgerundeten Rahmen mit der Beschriftung „×6“: Multi-Head Self-Attention (8 Heads) → Add & Norm → positionsweises Feed-Forward (512 → 2048 → 512, ReLU) → Add & Norm. Zeichnen Sie um jede Teilschicht einen Residualpfeil in das zugehörige Add & Norm. Beschriftung der Ausgabe: „Encoder-Ausgabe (batch, seq_len, 512)“. Färben Sie Attention orange, Feed-Forward blau und Normalisierung gelb. Weißer Hintergrund, sauberer Journal-Stil.
Architektur eines Transformer-Encoders
Prompt
Erstellen Sie ein CNN-Architekturdiagramm für eine Bildklassifikation mit 10 Klassen, Datenfluss von links nach rechts als 3D-Blöcke. Eingabe 32×32×3 → Conv 3×3, 32 Filter, ReLU → 32×32×32 → MaxPool 2×2 → 16×16×32 → Conv 3×3, 64 Filter → 16×16×64 → MaxPool 2×2 → 8×8×64 → Conv 3×3, 128 Filter → 8×8×128 → MaxPool 2×2 → 4×4×128 → Flatten 2048 → Dense 256, ReLU → Dense 10, Softmax. Schreiben Sie jede Tensorform unter ihren Block. Conv blau, Pooling orange, Dense grün, mit Legende.
CNN-Bildklassifikator
Prompt
Erstellen Sie ein Diagramm eines U-Nets zur Segmentierung in U-Form. Encoder absteigend, auf jeder Stufe zwei 3×3 Conv + ReLU mit Same Padding: 256×256×64, 128×128×128, 64×64×256, 32×32×512, verbunden durch rote 2×2-Max-Pool-Pfeile. Bottleneck: 16×16×1024. Decoder aufsteigend mit grünen 2×2-Up-Convolution-Pfeilen: 32×32×512, 64×64×256, 128×128×128, 256×256×64. Graue waagerechte Skip-Pfeile mit der Beschriftung „copy and concatenate“ verbinden jede Encoder-Stufe mit der Decoder-Stufe gleicher Größe. Abschließend 1×1 Conv → Maske 256×256×1, Sigmoid. Eingabe: Bild 256×256×1.
U-Net zur Segmentierung
Prompt
Erstellen Sie ein Modelldiagramm eines zweischichtigen LSTM-Klassifikators für Sentimentanalyse, entfaltet über die Zeitschritte t = 1, 2, …, T (T = 100). Untere Reihe: Eingabe-Tokens x1, x2, …, xT → Embedding (128). Mittlere Reihen: Zellen der LSTM-Schicht 1 und der LSTM-Schicht 2, Hidden Size 256, mit waagerechten Pfeilen, die Hidden State h und Cell State c zwischen den Zeitschritten weitergeben. Nur der letzte Hidden State h_T der Schicht 2 (256) führt nach oben zu Dense 1 mit Sigmoid → „positiv / negativ“. Beschriften Sie die Zeitachse. Sauber, flach, weißer Hintergrund.
LSTM-Sequenzmodell
Prompt
Erstellen Sie ein Diagramm eines Graph Neural Network in zwei Feldern. Linkes Feld: ein kleiner Graph mit einem zentralen Knoten v und den Nachbarn u1, u2, u3; Pfeile von jedem Nachbarn zu v, beschriftet mit m_uv = MLP(h_u, e_uv); ein Summenzeichen mit der Beschriftung „aggregate“; und das Update h_v(k+1) = UPDATE(h_v(k), Σ m_uv). Rechtes Feld als Pipeline: Knotenmerkmale (64) → Message-Passing-Schicht 1 (128) → Schicht 2 (128) → Schicht 3 (128) → Global Mean Pooling → MLP → Vorhersage auf Graphebene. Knoten blaugrün, Nachrichten orange. Weißer Hintergrund.
Message Passing in Graph Neural Networks
Prompt
Erstellen Sie ein Architekturdiagramm eines multimodalen Modells mit zwei parallelen Zweigen. Oberer Zweig: Bild 224×224×3 → Zerlegung in 16×16-Patches (196 Tokens) → ViT-B/16-Bild-Encoder, 12 Schichten, Breite 768 → [CLS]-Vektor 768 → lineare Projektion 512. Unterer Zweig: Text, max. 77 Tokens → Transformer-Text-Encoder, 12 Schichten, Breite 512 → [EOS]-Vektor 512 → lineare Projektion 512. Beide münden in einen Fusions-Head: Concatenate (1024) → MLP 1024 → 512, ReLU → N Klassen, Softmax. Bildzweig violett, Textzweig grün, Fusion grau.
Multimodales Fusionsmodell
So zeichnen Sie ein neuronales Netz als Diagramm
1
Architektur aufschreiben
Listen Sie die Schichten der Reihe nach mit Typ, Größe und Ausgabeform auf. Benennen Sie jede Skip Connection, jeden wiederholten Block und jede Verzweigung.
2
Darstellung festlegen
Wählen Sie die Flussrichtung, eine Farbe pro Schichttyp und ob die Blöcke als flache Kästen oder als 3D-Quader erscheinen.
3
Erstellen und überprüfen
Lassen Sie die Abbildung erstellen, gleichen Sie jede Beschriftung und Dimension mit Ihrem Code ab und verfeinern Sie bei Bedarf den Prompt für einen neuen Durchgang.
Notationskonventionen für Architekturdiagramme neuronaler Netze
Tensorformen: Geben Sie nach jedem Block die Ausgabeform an – in einem einheitlichen Format für die ganze Abbildung, etwa H×W×C für Bilder oder (batch, seq_len, d_model) für Sequenzen.
Skip Connections: Zeichnen Sie Residual- und U-Net-Skips als gebogene oder gestrichelte Pfeile, die in einem sichtbaren Zusammenführungsknoten enden – mit ⊕ für Addition oder der Beschriftung „concat“ für Konkatenation.
Wiederholte Blöcke: Zeichnen Sie eine Kopie in einer Klammer oder einem Rahmen mit der Beschriftung ×N, etwa „×6“ für einen Transformer-Encoder mit sechs Schichten, statt sechs identische Stapel.
Farbcodierung der Schichttypen: Geben Sie Faltungs-, Pooling-, Normalisierungs-, Attention- und Dense-Schichten jeweils eine eigene Farbe und ergänzen Sie eine Legende. Verlassen Sie sich nicht allein auf die Farbe; die Beschriftungen sollten jede Schicht trotzdem benennen.
So beschreiben Sie eine Architektur im Prompt präzise
Schreiben Sie das Modell als geordnete Kette mit Pfeilen und setzen Sie nach jedem Schritt die Tensorform: „Eingabe 32×32×3 → Conv 3×3, 32 Filter → 32×32×32 → MaxPool 2×2 → 16×16×32“. Der Generator setzt um, was Sie schreiben – vage Prompts wie „ein tiefes CNN“ ergeben vage Abbildungen.
Geben Sie das Layout an (von links nach rechts, von unten nach oben oder in U-Form), welche Verbindungen Schichten überspringen, wo Zweige zusammenlaufen und welche Blöcke sich wiederholen. Setzen Sie den genauen Beschriftungstext in Anführungszeichen, wenn es auf den Wortlaut ankommt. Sagen Sie bei CNN-Architekturdiagrammen, ob Sie 3D-Quader oder flache Kästen möchten.
Im Vergleich: PlotNeuralNet, draw.io und NN-SVG
PlotNeuralNet ist ein Projekt unter MIT-Lizenz, das LaTeX/TikZ-Code für Architekturzeichnungen erzeugt, optional über eine Python-Schnittstelle. Es eignet sich für Autorinnen und Autoren, die ohnehin in LaTeX schreiben und die Abbildung als Code haben möchten. NN-SVG ist ein parametrisches Tool unter MIT-Lizenz, das SVG im Stil von FCNN, LeNet und AlexNet exportiert – ideal, wenn Ihr Modell in einen dieser Stile passt. draw.io ist ein kostenloser Diagrammeditor für allgemeine Zwecke unter Apache-2.0-Lizenz, für Web und Desktop, mit dem Sie jede Form von Hand steuern.
Dieser Generator eignet sich am besten für einen schnellen, sauberen ersten Entwurf einer Architektur, für die diese Tools keine Vorlage bieten – etwa ein multimodales Modell oder ein Graphmodell –, wenn Sie kein TikZ schreiben und nicht jeden Kasten von Hand platzieren möchten. Er liefert ein PNG-Bild statt exakter Vektorgeometrie. Zuletzt geprüft am 15. September 2026 anhand der offiziellen Repositorys von PlotNeuralNet (github.com/HarisIqbal88/PlotNeuralNet), NN-SVG (github.com/alexlenail/NN-SVG) und draw.io (github.com/jgraph/drawio).
Vor der Veröffentlichung: Genauigkeit prüfen
Zählen Sie die Blöcke im Bild und vergleichen Sie sie mit Ihrer Modelldefinition – einschließlich wiederholter ×N-Stapel.
Rechnen Sie die Tensorformen nach: Ein 2×2-Pooling mit Stride 2 halbiert Höhe und Breite, und Flatten von 4×4×128 ergibt 2048.
Prüfen Sie, ob jede Skip Connection an den richtigen Schichten und Auflösungen beginnt und endet.
Lesen Sie jede Beschriftung Buchstabe für Buchstabe; Bildmodelle schreiben Begriffe wie „LayerNorm“ mitunter falsch oder vertauschen Zahlen.
Gleichen Sie die Bezeichnungen in der Abbildung mit denen in Ihrem Methodenteil und Ihrem Code ab.
Häufige Fragen: neuronale Netze als Diagramm
Das Tool zeichnet Architekturdiagramme aus einer Textbeschreibung: CNNs, Transformer, U-Nets, RNN- und LSTM-Modelle, Graph Neural Networks (GNNs), Autoencoder und multimodale Modelle. Sie können Beschriftungen der Tensorformen, Skip Connections, mit ×N gekennzeichnete wiederholte Blöcke, Attention-Module und eine Farblegende für die Schichttypen anfordern.
Beschreiben Sie Schichten, Tensorformen und Verbindungen und erstellen Sie ein sauberes Diagramm Ihres Deep-Learning-Modells für Ihr nächstes Paper oder Ihren nächsten Vortrag.
