PlotNeuralNet
PlotNeuralNet 是一款专为学术论文和技术报告设计的开源工具，能够利用 LaTeX 代码绘制精美、专业的神经网络结构图。在深度学习研究中，清晰展示模型架构至关重要，但手动绘制往往耗时且难以保持风格统一，PlotNeuralNet 正是为了解决这一痛点而生。
它特别适合研究人员、算法工程师以及需要撰写高质量技术文档的开发者使用。通过内置的 Python 接口，用户无需精通复杂的 LaTeX 绘图语法，只需编写简单的 Python 脚本定义网络层级（如卷积层、池化层、全连接层等），即可自动生成矢量级的 TikZ 代码。这种“代码即图表”的方式不仅确保了图片与论文正文字体、风格的完美融合，还极大地提升了修改和复用效率。
该工具的独特亮点在于其灵活的架构定义能力和对多种经典网络（如 FCN、边缘检测网络等）的现成支持。用户可以直接参考官方提供的丰富示例，快速上手定制自己的模型视图。无论是用于期刊投稿还是会议演示，PlotNeuralNet 都能帮助你轻松产出出版级的神经网络示意图，让技术表达更加精准优雅。
使用场景
某高校计算机视觉实验室的博士生正在撰写关于新型卷积神经网络的顶会论文，急需在最终截稿前插入一张高质量的网络结构图。
没有 PlotNeuralNet 时
- 绘图效率极低：使用 Visio 或 PPT 手动绘制复杂的层级连接，调整对齐和间距耗费数小时，且难以精确还原数学维度。
- 风格不统一：手绘风格与 LaTeX 排版的论文正文格格不入，字体、线条粗细难以匹配学术出版的高标准要求。
- 修改成本高昂：一旦网络结构微调（如增加一层或改变通道数），需重新拖拽所有图元，极易出错且版本管理混乱。
- 矢量输出困难：导出的图片在放大后边缘模糊，或被期刊要求提供可编辑源码时无法直接满足。
使用 PlotNeuralNet 后
- 代码即图表：通过 Python 脚本定义网络层（如
to_Conv、to_Pool），几分钟内即可生成结构严谨的架构图，逻辑清晰且易于复用。 - 原生 LaTeX 集成：直接编译生成 .tex 文件，确保图中的字体、公式符号与论文正文完美融合，达到出版级矢量画质。
- 迭代灵活高效：修改网络只需调整几行参数代码，运行
tikzmake.sh即可瞬间重绘，轻松应对审稿人的结构修改意见。 - 社区模板丰富：直接参考 FCN 等官方示例代码，快速搭建复杂拓扑，无需从零开始设计图元样式。
PlotNeuralNet 将繁琐的美工绘图转化为可版本控制的代码工程，让研究者能专注于算法创新而非图表排版。
运行环境要求
- Linux (Ubuntu 16.04
- 18.04.2)
- Windows
未说明
未说明
快速开始
绘制神经网络
用于在报告和演示文稿中绘制神经网络的 LaTeX 代码。请查看示例，了解如何生成这些网络图。此外，我们欢迎您对代码进行改进并修复任何错误，以便更多人能够使用此代码。
示例
以下是一些网络表示：
FCN-8 (在 Overleaf 上查看)
FCN-32 (在 Overleaf 上查看)
全卷积嵌套边缘检测 (在 Overleaf 上查看)
快速开始
在 Ubuntu 系统上安装以下软件包。
Ubuntu 16.04
sudo apt-get install texlive-latex-extraUbuntu 18.04.2 根据此 网站，请安装以下软件包。
sudo apt-get install texlive-latex-base sudo apt-get install texlive-fonts-recommended sudo apt-get install texlive-fonts-extra sudo apt-get install texlive-latex-extraWindows
- 下载并安装 MikTeX。
- 下载并安装 Windows 上的 Bash 运行器，推荐使用 Git Bash 或 Cygwin(https://www.cygwin.com/)。
按照以下步骤执行示例。
cd pyexamples/ bash ../tikzmake.sh test_simple
待办事项
- Python 接口
- 添加简易图例功能
- 增加更多层形状，如截顶金字塔、二维平面等
- 添加 RNN 等网络的示例。
LaTeX 使用方法
请参阅 examples 目录以了解使用方法。
Python 使用方法
首先，创建一个新的目录和一个新的 Python 文件：
$ mkdir my_project
$ cd my_project
vim my_arch.py
将以下代码添加到您的新文件中：
import sys
sys.path.append('../')
from pycore.tikzeng import *
# 定义您的网络架构
arch = [
to_head( '..' ),
to_cor(),
to_begin(),
to_Conv("conv1", 512, 64, offset="(0,0,0)", to="(0,0,0)", height=64, depth=64, width=2 ),
to_Pool("pool1", offset="(0,0,0)", to="(conv1-east)"),
to_Conv("conv2", 128, 64, offset="(1,0,0)", to="(pool1-east)", height=32, depth=32, width=2 ),
to_connection( "pool1", "conv2"),
to_Pool("pool2", offset="(0,0,0)", to="(conv2-east)", height=28, depth=28, width=1),
to_SoftMax("soft1", 10 ,"(3,0,0)", "(pool1-east)", caption="SOFT" ),
to_connection("pool2", "soft1"),
to_end()
]
def main():
namefile = str(sys.argv[0]).split('.')[0]
to_generate(arch, namefile + '.tex' )
if __name__ == '__main__':
main()
现在，按照以下方式运行程序：
bash ../tikzmake.sh my_arch
版本历史
v1.0.02018/12/25v0.12018/12/25常见问题
相似工具推荐
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
funNLP
funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。 面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。 无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。
cs-video-courses
cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。 面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。 这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。