编者荐语
论文与报告中经常会使用到神经网络图，所以可以帮助我们更轻松便捷进行绘制的工具，还是需要提前准备几个的。文章整理了12个常用的绘图工具，排名不分先后。
1． PlotNeuralNet
主要的优点如下：
1．可以使用LaTex编写；
2．自由度高，也可以使用Python脚本编写结构模型；
主要的缺点如下：
1．无交互界面；
2．上手略有难度。
2． draw＿convnet
由Borealis公司的员工Gavin Weiguang Ding提供，使用纯python代码进行画图。核心工具是matplotlib，图不算太酷炫，但是好在规规矩矩，可以较好的控制结构。
3． NNSVG
一位来自于麻省理工学院弗兰克尔生物工程实验室的人进行开发，该实验室开发可视化和机器学习工具用于分析生物数据。该工具可以非常方便的画出三种神经网络结构：
FCNN模型；
LeNet模型；
AlexNet模型。
4． Caffe
caffe的python编译模块提供了绘制net结构的功能，可实现对网络结构的绘制，这极大的方便了对网络结构的理解和分析。调用caffe中的draw．py文件便可以进行结构图绘制，也就是将网络模型由prototxt变成一张图片。
5． Tensorboard
TensorBoard 是用于提供机器学习工作流程期间所需的测量和可视化的工具。它使您能够跟踪实验指标，例如损失和准确性，可视化模型图，将嵌入物投影到较低维度的空间等等。尤其是在训练网络的时候，我们可以设置不同的参数（权重W、偏置B、卷积层数、全连接层数等），并可以直观的帮助我们进行参数的选择。
6． DotNets
这是一个简单的 Python 脚本，用于使用 Python 和 Graphviz 生成前馈神经网络的图片。这受到了 Thiago G． Martins How to draw neural network diagrams using Graphviz 的启发。
7．Matlab
MATLAB是美国MathWorks公司出品的商业数学软件，用于数据分析、无线通信、深度学习、图像处理与计算机视觉、信号处理、量化金融与风险管理、机器人，控制系统等领域。
Matlab的优点很明显，一般使用过的人都很清楚。不过缺点就是他的商业属性，同时由于其带有米国“属性”，对我们带来了一系列的问题。可以的情况下还是需要慎重使用，毕竟这个软件太容易产生依赖了。
8．Keras．js
Keras是一款非常流行的深度学习模型开发框架，基于python，语法简洁，封装程度高，只需十几行代码就可以构建一个深度神经网络。Keras．js是一个可以在浏览器中运行深度神经网络的JS框架（同时包含互动演示），支持CPU，GPU计算。区别于Keras，Keras．js只能运行已经调试好的模型，无法进行模型训练。
9． Graphviz
Graphviz 是开源图形可视化软件。图可视化是一种将结构信息表示为抽象图和网络图的方法。它在网络、生物信息学、软件工程、数据库和网页设计、机器学习以及其他技术领域的可视化界面中具有重要的应用。
10． ConX
ConX 是一种构建和理解深度学习神经网络的可访问且强大的方法（同时包含可视化神经网络）。具体来说，它位于 Keras 之上，而 Keras 位于 TensorFlow、CNTK 或 Theano 之上（尽管不再开发 Theano）。
主要功能包含：
1．有一个易于使用的界面来创建神经网络层之间的连接；
2．添加用于操作神经网络的附加功能；
3．支持用于训练和使用神经网络的可视化和分析；
4．拥有您需要的一切；不需要复杂的数值或绘图库的知识；
5．如果您愿意，可以与较低级别的（Keras）集成。
11． ENNUI
个人感觉是个很奇怪的风格，不做过多评价。
12． Neataptic
Neataptic 提供灵活的神经网络（附带可视化功能）；神经元和突触可以用一行代码删除。神经网络根本不需要固定的架构来运行。这种灵活性允许通过神经进化为您的数据集塑造网络，这是使用多线程完成的。
