深度学习模型架构图
把一段文字描述变成干净的神经网络架构图。写出各层、张量形状、跳跃连接和重复模块，就能得到可用于论文、学位论文、海报和课件的模型架构图。
描述模型里的各层、形状和连接方式。
根据您的描述生成 PNG 架构图。
预览
目标宽高比：16:9
以上为示例预览。描述您的模型即可生成属于您的架构图。
把鼠标移到卡片上即可复制它的提示词。每个示例都写明了各层、形状和连接方式，让图和模型对得上。
Prompt
生成一张 Transformer 编码器的架构图，自下而上排布。输入词元 → 词嵌入（d_model = 512）加正弦位置编码。然后在一个标注“×6”的圆角框里画一层编码器：多头自注意力（8 个头）→ Add & Norm → 逐位置前馈网络（512 → 2048 → 512，ReLU）→ Add & Norm。每个子层外画一条残差箭头汇入它的 Add & Norm。输出标签写“编码器输出（batch, seq_len, 512）”。注意力层橙色，前馈层蓝色，归一化层黄色。白色背景，干净的期刊风格。
Prompt
生成一张用于 10 类图像分类的 CNN 架构图，从左到右用三维方块排布。输入层 32×32×3 → 卷积层 3×3、32 个滤波器、ReLU → 32×32×32 → 最大池化 2×2 → 16×16×32 → 卷积层 3×3、64 个滤波器 → 16×16×64 → 最大池化 2×2 → 8×8×64 → 卷积层 3×3、128 个滤波器 → 8×8×128 → 最大池化 2×2 → 4×4×128 → 展平 2048 → 全连接层 256、ReLU → 全连接层 10、softmax。每个形状写在对应方块下方。卷积层蓝色，池化层橙色，全连接层绿色，并配图例。
Prompt
生成一张 U 形排布的 U-Net 分割架构图。编码器向下，每一级两个 3×3 卷积层加 ReLU、使用 same 填充：256×256×64、128×128×128、64×64×256、32×32×512，各级之间用红色 2×2 最大池化箭头连接。瓶颈层：16×16×1024。解码器向上，用绿色 2×2 上卷积箭头：32×32×512、64×64×256、128×128×128、256×256×64。灰色水平箭头标注“复制并拼接”，把每一级编码器连到同尺寸的解码器层。最后 1×1 卷积层 → 256×256×1 掩膜，sigmoid。输入：256×256×1 图像。
Prompt
生成一张两层 LSTM 情感分类器的深度学习模型架构图，按时间步 t = 1, 2, …, T（T = 100）展开。底行：输入词元 x1、x2、…、xT → 词嵌入（128）。中间几行：第 1 层 LSTM 单元和第 2 层 LSTM 单元，隐藏层维度 256，相邻时间步之间用水平箭头传递隐藏状态 h 和细胞状态 c。只有第 2 层最后一个时间步的隐藏状态 h_T（256）向上进入全连接层 1 并经 sigmoid → “正面 / 负面”。标出时间轴。干净、平面、白色背景。
Prompt
生成一张分两个分图的图神经网络架构图。左图：一个小图，中心节点 v 和邻居 u1、u2、u3；每个邻居指向 v 的箭头标注 m_uv = MLP(h_u, e_uv)；一个标注“聚合”的求和符号；以及更新式 h_v(k+1) = UPDATE(h_v(k), Σ m_uv)。右图画流程：节点特征（64）→ 第 1 层消息传递（128）→ 第 2 层（128）→ 第 3 层（128）→ 全局平均池化 → MLP → 图级预测。节点青色，消息橙色。白色背景。
Prompt
生成一张有两条并行分支的多模态模型架构图。上分支：图像 224×224×3 → 切成 16×16 的图块（196 个词元）→ ViT-B/16 图像编码器、12 层、宽度 768 → [CLS] 向量 768 → 线性投影 512。下分支：文本，最多 77 个词元 → Transformer 文本编码器、12 层、宽度 512 → [EOS] 向量 512 → 线性投影 512。两条分支汇入融合头：拼接（1024）→ MLP 1024 → 512、ReLU → N 类、softmax。图像分支紫色，文本分支绿色，融合部分灰色。
按顺序列出各层：输入层、隐藏层、输出层各自的类型、规模和输出形状。每条跳跃连接、每个重复模块和每条分支都要写出来。
选择排布方向、每种层类型的颜色，以及模块画成平面方框还是三维体块。
生成图之后，逐一核对每个标签和维度是否与代码一致，必要时修改提示词再生成。
把模型写成带箭头的有序链条，每一步后面跟上形状：“输入层 32×32×3 → 卷积层 3×3、32 个滤波器 → 32×32×32 → 最大池化 2×2 → 16×16×32”。工具会照着您写的画，所以“一个很深的 CNN”这种模糊提示只会得到模糊的图。
说明排布方向（从左到右、自下而上，还是 U 形）、哪些连接跨层、分支在哪里汇合、哪些模块会重复。措辞要紧的地方，就把标签原文用引号给出。画 CNN 架构图时，请说明要三维体块还是平面方框。
PlotNeuralNet 是采用 MIT 许可的项目，为架构图生成 LaTeX/TikZ 代码，并提供可选的 Python 接口，适合本来就用 LaTeX 写作、希望把图当代码管理的作者。NN-SVG 是采用 MIT 许可的参数化工具，可导出 FCNN、LeNet 和 AlexNet 风格的 SVG，模型刚好符合这几种风格时最合用。draw.io 是采用 Apache 2.0 许可的免费通用绘图工具，有网页版和桌面版，每个图形都能手动控制。
当架构是那些工具没有模板的类型（例如多模态模型或图模型），而您又不想写 TikZ、不想一个个方框摆位时，本工具最适合快速拿到一版精修的初稿。它的输出是 PNG 图像，不是精确的矢量几何。最近核对时间：2026 年 9 月 15 日，依据 PlotNeuralNet（github.com/HarisIqbal88/PlotNeuralNet）、NN-SVG（github.com/alexlenail/NN-SVG）和 draw.io（github.com/jgraph/drawio）的官方仓库。
它根据一段文字描述画出模型架构图：CNN、Transformer、U-Net、RNN 与 LSTM 模型、图神经网络、自编码器和多模态模型。您可以要求标出张量形状、跳跃连接、用 ×N 标记的重复模块、注意力模块，以及按层类型区分的颜色图例。
