⑴ Netron|開源、跨平台的CNN結構可視化軟體
神經網路結構可視化軟體Netron是一個開源且跨平台的工具，它在macOS、Linux、Windows等主流操作系統上運行，並提供了網頁版選擇。Netron支持多種主流的深度學習框架，包括ONNX、Keras、Tensorflow Lite、Caffe/Caffe2、Darknet、MNN、ncnn、PaddlePaddle等。對於Tensorflow、Pytorch等框架，Netron也正在積極適配中，提供測試版本。這款軟體的使用方法簡單，界面友好，讓網路結構的可視化變得直觀易懂。
Netron可以在不同平台進行安裝，用戶只需訪問其GitHub開源地址，下載對應操作系統的安裝包。使用Netron進行網路結構可視化，以ResNet18為例，首先需要下載ONNX框架下的ResNet18，然後在網頁版Netron中點擊「Open Model...」，選擇下載的模型，稍等片刻，網路結構就會在頁面上顯示。點擊頁面中的某個計算組件，可以查看該組件的詳細屬性。此外，用戶還可以將可視化結果保存為圖片格式，只需點擊網頁版左上角的菜單欄，選擇「Export as PNG」即可導出圖片。
通過Netron，用戶可以輕松地對神經網路結構進行可視化，有助於理解復雜的模型結構，提高深度學習項目的開發效率和准確度。無論是研究者還是初學者，Netron都是一個強大的輔助工具。對於需要在不同平台上進行深度學習框架實驗的用戶，Netron提供了一站式的解決方案，讓跨平台的網路結構可視化變得輕松簡單。
⑵ 如何繪制神經網路圖-如何用visio畫卷積神經網路圖。圖形類似下圖所示
1. 打開Visio軟體，選擇「網路」類別，選擇一個適合的神經網路圖模板，此處選擇「基本網路圖」。
2. 了解Visio的基本功能，開始繪制簡單的網路連接圖。
3. 首先繪制一個路由器和一個交換機。
4. 接著添加一台PC機，完成基本網路設備的布局。
5. 使用「連線工具」連接這些設備，當滑鼠懸停在帶有「x」的點上時，點會變紅，表示這是當前的連接點。
6. 將三個設備正確連接後，一個基礎的網路圖就完成了。
7. 對於使用MATLAB創建神經網路結構圖，先提供一個示例以幫助理解神經網路應用的實現。
8. 創建一個前饋網路，設置輸入向量x和目標向量y，這里x為1到5的序列，y為一個相應的數值向量。
9. 創建一個前饋神經網路，使用最小-最大歸一化方法處理輸入數據，並定義兩個隱層，分別是20個神經元的層和1個神經元的輸出層，激活函數分別為tansig和purelin。
10. 使用L-M（Levenberg-Marquardt）優化演算法訓練網路，設置最大迭代次數為500，學習率為10的-6次方。
11. 訓練BP（Back Propagation）神經網路，得到訓練後的網路結構、訓練記錄和網路輸出。
12. 計算模擬誤差，使用mse函數得到均方誤差。
13. 繪制模擬結果曲線，將訓練數據和網路輸出數據 plot在一起。
14. 嘗試使用Visio繪制卷積神經網路圖，發現除了最左邊的變形圖片外，其餘部分可以較好實現。
15. 在Visio中使用具有透視效果的塊圖形，通過調整透視角度的紅點來獲得合適的視圖。
16. 使用Ctrl+滑鼠左鍵拖拽復制塊，並進行大小和位置的細致調整，最終得到如圖所示的神經網路圖。
⑶ 神經網路研究與應用這塊用python好還是matlab
Python的優勢：
Python相對於Matlab最大的優勢：免費。
Python次大的優勢：開源。你可以大量更改科學計算的演算法細節。
可移植性，Matlab必然不如Python。但你主要做Research，這方面需求應當不高。
第三方生態，Matlab不如Python。比如3D的繪圖工具包，比如GUI，比如更方便的並行，使用GPU，Functional等等。長期來看，Python的科學計算生態會比Matlab好。
語言更加優美。另外如果有一定的OOP需求，構建較大一點的科學計算系統，直接用Python比用Matlab混合的方案肯定要簡潔不少。
Matlab的優勢：
Community. 目前學校實驗室很多還用Matlab，很多學者也可能都用Matlab。交流起來或許更加方便。
Matlab本來號稱更快，但實際上由於Python越來越完善的生態，這個優勢已經逐漸喪失了。
總結來說就是python開源免費，有豐富的第三方庫，比較適合實際工程，matlab是商業軟體
如果買了的話做學術研究不錯， 如果混合編程比較麻煩。