神經網路架構圖產生器

Prompt

生成一張 Transformer 編碼器的架構圖，自下而上排布。輸入詞元 → 詞嵌入（d_model = 512）加正弦位置編碼。然後在一個標註「×6」的圓角框裡畫一層編碼器：多頭自注意力（8 個頭）→ Add & Norm → 逐位置前饋網路（512 → 2048 → 512，ReLU）→ Add & Norm。每個子層外畫一條殘差箭頭匯入它的 Add & Norm。輸出標籤寫「編碼器輸出（batch, seq_len, 512）」。注意力層橙色，前饋層藍色，正規化層黃色。白色背景，乾淨的期刊風格。

Prompt

生成一張用於 10 類影像分類的 CNN 架構圖，從左到右用三維方塊排布。輸入層 32×32×3 → 卷積層 3×3、32 個濾波器、ReLU → 32×32×32 → 最大池化 2×2 → 16×16×32 → 卷積層 3×3、64 個濾波器 → 16×16×64 → 最大池化 2×2 → 8×8×64 → 卷積層 3×3、128 個濾波器 → 8×8×128 → 最大池化 2×2 → 4×4×128 → 展平 2048 → 全連接層 256、ReLU → 全連接層 10、softmax。每個形狀寫在對應方塊下方。卷積層藍色，池化層橙色，全連接層綠色，並配圖例。

Prompt

生成一張 U 形排布的 U-Net 分割架構圖。編碼器向下，每一級兩個 3×3 卷積層加 ReLU、使用 same 填充：256×256×64、128×128×128、64×64×256、32×32×512，各級之間用紅色 2×2 最大池化箭頭連接。瓶頸層：16×16×1024。解碼器向上，用綠色 2×2 上卷積箭頭：32×32×512、64×64×256、128×128×128、256×256×64。灰色水平箭頭標註「複製並拼接」，把每一級編碼器連到同尺寸的解碼器層。最後 1×1 卷積層 → 256×256×1 遮罩，sigmoid。輸入：256×256×1 影像。

Prompt

生成一張兩層 LSTM 情感分類器的深度學習模型架構圖，按時間步 t = 1, 2, …, T（T = 100）展開。最下面一列：輸入詞元 x1、x2、…、xT → 詞嵌入（128）。中間幾列：第 1 層 LSTM 單元和第 2 層 LSTM 單元，隱藏層維度 256，相鄰時間步之間用水平箭頭傳遞隱藏狀態 h 和細胞狀態 c。只有第 2 層最後一個時間步的隱藏狀態 h_T（256）向上進入全連接層 1 並經 sigmoid → 「正面 / 負面」。標出時間軸。乾淨、平面、白色背景。

Prompt

生成一張分兩個分圖的圖神經網路架構圖。左圖：一個小圖，中心節點 v 和鄰居 u1、u2、u3；每個鄰居指向 v 的箭頭標註 m_uv = MLP(h_u, e_uv)；一個標註「聚合」的求和符號；以及更新式 h_v(k+1) = UPDATE(h_v(k), Σ m_uv)。右圖畫流程：節點特徵（64）→ 第 1 層訊息傳遞（128）→ 第 2 層（128）→ 第 3 層（128）→ 全域平均池化 → MLP → 圖級預測。節點青色，訊息橙色。白色背景。

Prompt

生成一張有兩條平行分支的多模態模型架構圖。上分支：影像 224×224×3 → 切成 16×16 的圖塊（196 個詞元）→ ViT-B/16 影像編碼器、12 層、寬度 768 → [CLS] 向量 768 → 線性投影 512。下分支：文字，最多 77 個詞元 → Transformer 文字編碼器、12 層、寬度 512 → [EOS] 向量 512 → 線性投影 512。兩條分支匯入融合頭：拼接（1024）→ MLP 1024 → 512、ReLU → N 類、softmax。影像分支紫色，文字分支綠色，融合部分灰色。