⑴ Netron|开源、跨平台的CNN结构可视化软件
神经网络结构可视化软件Netron是一个开源且跨平台的工具，它在macOS、Linux、Windows等主流操作系统上运行，并提供了网页版选择。Netron支持多种主流的深度学习框架，包括ONNX、Keras、Tensorflow Lite、Caffe/Caffe2、Darknet、MNN、ncnn、PaddlePaddle等。对于Tensorflow、Pytorch等框架，Netron也正在积极适配中，提供测试版本。这款软件的使用方法简单，界面友好，让网络结构的可视化变得直观易懂。
Netron可以在不同平台进行安装，用户只需访问其GitHub开源地址，下载对应操作系统的安装包。使用Netron进行网络结构可视化，以ResNet18为例，首先需要下载ONNX框架下的ResNet18，然后在网页版Netron中点击“Open Model...”，选择下载的模型，稍等片刻，网络结构就会在页面上显示。点击页面中的某个计算组件，可以查看该组件的详细属性。此外，用户还可以将可视化结果保存为图片格式，只需点击网页版左上角的菜单栏，选择“Export as PNG”即可导出图片。
通过Netron，用户可以轻松地对神经网络结构进行可视化，有助于理解复杂的模型结构，提高深度学习项目的开发效率和准确度。无论是研究者还是初学者，Netron都是一个强大的辅助工具。对于需要在不同平台上进行深度学习框架实验的用户，Netron提供了一站式的解决方案，让跨平台的网络结构可视化变得轻松简单。
⑵ 如何绘制神经网络图-如何用visio画卷积神经网络图。图形类似下图所示
1. 打开Visio软件，选择“网络”类别，选择一个适合的神经网络图模板，此处选择“基本网络图”。
2. 了解Visio的基本功能，开始绘制简单的网络连接图。
3. 首先绘制一个路由器和一个交换机。
4. 接着添加一台PC机，完成基本网络设备的布局。
5. 使用“连线工具”连接这些设备，当鼠标悬停在带有“x”的点上时，点会变红，表示这是当前的连接点。
6. 将三个设备正确连接后，一个基础的网络图就完成了。
7. 对于使用MATLAB创建神经网络结构图，先提供一个示例以帮助理解神经网络应用的实现。
8. 创建一个前馈网络，设置输入向量x和目标向量y，这里x为1到5的序列，y为一个相应的数值向量。
9. 创建一个前馈神经网络，使用最小-最大归一化方法处理输入数据，并定义两个隐层，分别是20个神经元的层和1个神经元的输出层，激活函数分别为tansig和purelin。
10. 使用L-M（Levenberg-Marquardt）优化算法训练网络，设置最大迭代次数为500，学习率为10的-6次方。
11. 训练BP（Back Propagation）神经网络，得到训练后的网络结构、训练记录和网络输出。
12. 计算仿真误差，使用mse函数得到均方误差。
13. 绘制仿真结果曲线，将训练数据和网络输出数据 plot在一起。
14. 尝试使用Visio绘制卷积神经网络图，发现除了最左边的变形图片外，其余部分可以较好实现。
15. 在Visio中使用具有透视效果的块图形，通过调整透视角度的红点来获得合适的视图。
16. 使用Ctrl+鼠标左键拖拽复制块，并进行大小和位置的细致调整，最终得到如图所示的神经网络图。
⑶ 神经网络研究与应用这块用python好还是matlab
Python的优势：
Python相对于Matlab最大的优势：免费。
Python次大的优势：开源。你可以大量更改科学计算的算法细节。
可移植性，Matlab必然不如Python。但你主要做Research，这方面需求应当不高。
第三方生态，Matlab不如Python。比如3D的绘图工具包，比如GUI，比如更方便的并行，使用GPU，Functional等等。长期来看，Python的科学计算生态会比Matlab好。
语言更加优美。另外如果有一定的OOP需求，构建较大一点的科学计算系统，直接用Python比用Matlab混合的方案肯定要简洁不少。
Matlab的优势：
Community. 目前学校实验室很多还用Matlab，很多学者也可能都用Matlab。交流起来或许更加方便。
Matlab本来号称更快，但实际上由于Python越来越完善的生态，这个优势已经逐渐丧失了。
总结来说就是python开源免费，有丰富的第三方库，比较适合实际工程，matlab是商业软件
如果买了的话做学术研究不错， 如果混合编程比较麻烦。