Convierte la descripción escrita de un modelo en un diagrama de red neuronal claro que muestre toda su arquitectura. Indica las capas, las formas de los tensores, las conexiones de salto y los bloques repetidos, y obtén una figura para artículos, tesis, pósteres y diapositivas.
Diagramas de arquitecturas CNN y transformerFormas de tensores y conexiones de saltoSin marca de agua
Generador de diagramas de redes neuronales con IA
Describe las capas, las formas y las conexiones de tu modelo.
Cuesta 5 créditos598 / 2000 caracteres
Genera una figura PNG de la arquitectura a partir de tu descripción.
Vista previa
Ejemplos de diagramas de redes neuronales
Relación de aspecto objetivo: 16:9
Vistas previas de muestra. Describe tu modelo para generar tu propio diagrama.
Ejemplos de diagramas de arquitectura de redes neuronales
Pasa el cursor por una tarjeta para copiar su instrucción (prompt). Cada ejemplo detalla las capas, las formas y las conexiones para que la figura coincida con el modelo.
Prompt
Crea un diagrama de la arquitectura transformer del codificador, con flujo de abajo arriba. Tokens de entrada → embedding de tokens (d_model = 512) más codificación posicional sinusoidal. Después, una capa del codificador dentro de un contorno redondeado con la etiqueta “×6”: autoatención multicabeza (8 cabezas) → Add & Norm → feed-forward por posición (512 → 2048 → 512, ReLU) → Add & Norm. Dibuja una flecha residual alrededor de cada subcapa que llegue a su Add & Norm. Etiqueta de salida: “Salida del codificador (batch, seq_len, 512)”. Atención en naranja, feed-forward en azul, normalización en amarillo. Fondo blanco, estilo limpio de revista científica.
Arquitectura del codificador de un transformer
Prompt
Crea un diagrama de la arquitectura de una CNN para clasificar imágenes en 10 clases, con flujo de izquierda a derecha y bloques en 3D. Entrada 32×32×3 → Conv 3×3, 32 filtros, ReLU → 32×32×32 → MaxPool 2×2 → 16×16×32 → Conv 3×3, 64 filtros → 16×16×64 → MaxPool 2×2 → 8×8×64 → Conv 3×3, 128 filtros → 8×8×128 → MaxPool 2×2 → 4×4×128 → Flatten 2048 → Dense 256, ReLU → Dense 10, softmax. Escribe cada forma debajo de su bloque. Convolución en azul, pooling en naranja, capas densas en verde, con una leyenda.
Clasificador de imágenes CNN
Prompt
Crea un diagrama de segmentación U-Net en forma de U. Codificador descendente, con dos conv 3×3 + ReLU y padding same en cada nivel: 256×256×64, 128×128×128, 64×64×256, 32×32×512, unidos por flechas rojas de max pool 2×2. Cuello de botella: 16×16×1024. Decodificador ascendente con flechas verdes de convolución ascendente (up-conv) 2×2: 32×32×512, 64×64×256, 128×128×128, 256×256×64. Flechas de salto horizontales grises con la etiqueta “copiar y concatenar” unen cada nivel del codificador con el nivel del decodificador del mismo tamaño. Conv 1×1 final → máscara 256×256×1, sigmoide. Entrada: imagen de 256×256×1.
Modelo de segmentación U-Net
Prompt
Crea un diagrama de un modelo de aprendizaje profundo: un clasificador de sentimientos LSTM de dos capas desplegado en los pasos de tiempo t = 1, 2, …, T (T = 100). Fila inferior: tokens de entrada x1, x2, …, xT → embedding (128). Filas centrales: celdas de la capa LSTM 1 y celdas de la capa LSTM 2, tamaño oculto 256, con flechas horizontales que llevan el estado oculto h y el estado de celda c de un paso de tiempo al siguiente. Solo el estado oculto final h_T de la capa 2 (256) sube hasta Dense 1 con sigmoide → “positivo / negativo”. Rotula el eje del tiempo. Estilo limpio y plano, fondo blanco.
Modelo de secuencias LSTM
Prompt
Crea un diagrama de una red neuronal de grafos en dos paneles. Panel izquierdo: un grafo pequeño con un nodo central v y los vecinos u1, u2, u3; flechas de cada vecino a v con la etiqueta m_uv = MLP(h_u, e_uv); un símbolo de suma con la etiqueta “agregación”; y la actualización h_v(k+1) = UPDATE(h_v(k), Σ m_uv). Secuencia del panel derecho: características de los nodos (64) → capa de paso de mensajes 1 (128) → capa 2 (128) → capa 3 (128) → global mean pooling → MLP → predicción a nivel de grafo. Nodos en verde azulado, mensajes en naranja. Fondo blanco.
Paso de mensajes en una red neuronal de grafos
Prompt
Crea un diagrama de la arquitectura de un modelo multimodal con dos ramas paralelas. Rama superior: imagen 224×224×3 → división en parches de 16×16 (196 tokens) → codificador de imágenes ViT-B/16, 12 capas, ancho 768 → vector [CLS] 768 → proyección lineal 512. Rama inferior: texto, máximo 77 tokens → codificador de texto transformer, 12 capas, ancho 512 → vector [EOS] 512 → proyección lineal 512. Ambas ramas se unen en una cabeza de fusión: concatenación (1024) → MLP 1024 → 512, ReLU → N clases, softmax. Rama de imagen en morado, rama de texto en verde, fusión en gris.
Modelo de fusión multimodal
Cómo hacer un diagrama de red neuronal
1
Escribe la arquitectura
Enumera las capas en orden con su tipo, su tamaño y su forma de salida. Nombra cada conexión de salto, cada bloque repetido y cada rama.
2
Define la codificación visual
Elige la dirección del flujo, un color para cada tipo de capa y si los bloques serán cajas planas o volúmenes en 3D.
3
Genera y verifica
Genera la figura, comprueba cada etiqueta y cada dimensión con tu código y, si hace falta, ajusta la instrucción y vuelve a generarla.
Convenciones de notación para diagramas de arquitectura de redes neuronales
Etiquetas de forma de los tensores: escribe la forma de salida después de cada bloque, con un mismo formato en toda la figura, como H×W×C para imágenes o (batch, seq_len, d_model) para secuencias.
Conexiones de salto: dibuja las conexiones residuales y las de la U-Net como flechas curvas o discontinuas que terminen en un nodo de unión visible, marcado con ⊕ para la suma o con la etiqueta “concat” para la concatenación.
Bloques repetidos: dibuja una sola copia dentro de un corchete o un contorno con la etiqueta ×N, como “×6” para un codificador transformer de seis capas, en lugar de seis pilas idénticas.
Código de colores por tipo de capa: asigna un color a cada tipo (convolución, agrupación o pooling, normalización, atención y capas densas) y añade una leyenda. No uses el color como única pista; las etiquetas deben seguir nombrando cada capa.
Cómo describir una arquitectura con precisión en la instrucción (prompt)
Escribe el modelo como una cadena ordenada con flechas y pon la forma después de cada paso: “Entrada 32×32×3 → Conv 3×3, 32 filtros → 32×32×32 → MaxPool 2×2 → 16×16×32”. El generador sigue lo que escribes, así que instrucciones vagas como “una CNN profunda” dan figuras vagas.
Indica la disposición (de izquierda a derecha, de abajo arriba o en forma de U), qué conexiones saltan hacia delante, dónde se unen las ramas y qué bloques se repiten. Escribe entre comillas el texto exacto de las etiquetas cuando importe la redacción. En los diagramas de arquitectura CNN, indica si quieres volúmenes en 3D o cajas planas.
Comparación con PlotNeuralNet, draw.io y NN-SVG
PlotNeuralNet es un proyecto con licencia MIT que genera código LaTeX/TikZ para dibujar arquitecturas, con una interfaz opcional en Python. Es adecuado para autores que ya escriben en LaTeX y quieren la figura como código. NN-SVG es una herramienta paramétrica con licencia MIT que exporta SVG en los estilos FCNN, LeNet y AlexNet, ideal cuando tu modelo encaja en esos estilos. draw.io es un editor de diagramas de uso general, gratuito y con licencia Apache 2.0, para la web y el escritorio, que te da control manual sobre cada forma.
Este generador es la mejor opción para obtener un primer borrador rápido y bien acabado de una arquitectura que esas herramientas no traen como plantilla, como un modelo multimodal o de grafos, cuando no quieres escribir TikZ ni colocar cada caja a mano. Su resultado es una imagen PNG, no una geometría vectorial exacta. Última comprobación: 15 de septiembre de 2026, en los repositorios oficiales de PlotNeuralNet (github.com/HarisIqbal88/PlotNeuralNet), NN-SVG (github.com/alexlenail/NN-SVG) y draw.io (github.com/jgraph/drawio).
Consejos de precisión antes de publicar
Cuenta los bloques de la imagen y compáralos con la definición de tu modelo, incluidas las pilas repetidas ×N.
Recalcula las formas: un pooling 2×2 con stride 2 reduce a la mitad el alto y el ancho, y aplicar Flatten a 4×4×128 da 2048.
Comprueba que cada conexión de salto empieza y termina en las capas y resoluciones que le corresponden.
Lee cada etiqueta letra por letra; los modelos de imagen pueden escribir mal términos como “LayerNorm” o intercambiar números.
Haz que los nombres de la figura coincidan con los de tu sección de métodos y tu código.
Preguntas frecuentes sobre el generador de diagramas de redes neuronales
Dibuja figuras de arquitectura a partir de una descripción de texto: redes neuronales convolucionales (CNN), transformers, U-Net, modelos RNN y LSTM, redes neuronales de grafos, autocodificadores y modelos multimodales. Puedes pedir etiquetas con la forma de los tensores, conexiones de salto, bloques repetidos marcados con ×N, módulos de atención y una leyenda de colores para los tipos de capa.
