有什么神经网络结构图的画图工具值得推荐吗？
推荐一下LaTex自带的tikz。较为显著的优势：(1)定义简洁，上手容易;(2)天生的公式支持;(3)修改和编译方便，免去了反复生成、插入的步骤。
tensorflow，你把graph搭建好之后，把graph传到tenaorboard里面，就会有非常非常非常详细的图，当然前提是你代码不能太烂…其实ppt也是个很好的工具(虽然不能算是画图工具)，配合Acrobat还能够直接输出矢量图。
有人提到了Inkscape用的这个软件画的插图。这个软件是开源免费的，入门挺简单，官网就有基本教程，软件体积很小功能却挺全，有蛮多人在用的。功能类似的收费软件是Coreldraw和AI。
唯一的建议就是，如果想画一些可以拥有丰富多彩的风格的网络结构图，不妨考虑一些矢量图编辑软件。一般都是用Matlab、R之类的自己写程序画。
谷歌人工智能写作项目：爱发猫
如何用visio画卷积神经网络图。图形类似下图所示
文案狗。
大概试了一下用visio绘制这个图，除了最左面的变形图片外其余基本可以实现（那个图可以考虑用其它图像处理软件比如Photoshop生成后插入visio），visio中主要用到的图形可以在更多形状-常规-具有透视效果的块中找到块图形，拖入绘图区后拉动透视角度调节的小红点进行调整直到合适为止，其余的块可以按住ctrl+鼠标左键进行拉动复制，然后再进行大小、位置仔细调整就可以了，大致绘出图形示例如下图所示：
matlab神经网络模型这个窗口说明了什么，也就是那些英文表示些什么
这个窗口是显示训练详细情况的。
最上面的图形显示的是神经网络的结构图，可知有3个隐层；第二部分显示的是训练算法，这里为学习率自适应的梯度下降BP算法；误差指标为MSE；第三部分显示训练进度：epoch为迭代次数，time为训练时间、performance为网络输出误差、gradient为梯度、validationcheck为泛化能力检查（若连续6次训练误差不降反升，则强行结束训练）第四部分为作图。
分别点击三个按钮能看到误差变化曲线等。plotinterval为横坐标的刻度。
bp神经网络预测代码 15
在matlab中，样本是以列的方式排列的，即一列对应一个样本。如果你的样本无误的话，就是一个输入8输出2的神经网络。作图直接用plot函数。
参考附件的代码，这是一个电力负荷预测例子，也是matlab编程。BP（BackPropagation）神经网络是是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。
BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
BP神经网络模型拓扑结构包括输入层（input）、隐层(hiddenlayer)和输出层(outputlayer)。
python数据挖掘常用工具有哪几种？
python有强大的第三方库，广泛用于数据分析，数据挖掘、机器学习等领域，下面小编整理了python数据挖掘的一些常用库，希望对各位小伙伴学习python数据挖掘有所帮助。
1.Numpy能够提供数组支持，进行矢量运算，并且高效地处理函数，线性代数处理等。提供真正的数组，比起python内置列表来说，Numpy速度更快。
同时，Scipy、Matplotlib、Pandas等库都是源于Numpy。因为Numpy内置函数处理数据速度与C语言同一级别，建议使用时尽量用内置函数。
2.Scipy基于Numpy,能够提供了真正的矩阵支持，以及大量基于矩阵的数值计算模块，包括：插值运算，线性代数、图像信号，快速傅里叶变换、优化处理、常微分方程求解等。
3.Pandas源于NumPy，提供强大的数据读写功能，支持类似sql的增删改查，数据处理函数非常丰富，并且支持时间序列分析功能，灵活地对数据进行分析与探索，是python数据挖掘，必不可少的工具。
Pandas基本数据结构是Series和DataFrame。Series是序列，类似一维数组，DataFrame相当于一张二维表格，类似二维数组，DataFrame的每一列都是一个Series。
4.Matplotlib数据可视化最常用，也是醉好用的工具之一，python中著名的绘图库，主要用于2维作图，只需简单几行代码可以生成各式的图表，例如直方图，条形图，散点图等，也可以进行简单的3维绘图。
4.Scikit-LearnScikit-Learn源于NumPy、Scipy和Matplotlib，是一款功能强大的机器学习python库，能够提供完整的学习工具箱(数据处理，回归，分类，聚类，预测，模型分析等)，使用起来简单。
不足是没有提供神经网络，以及深度学习等模型。
5.Keras基于Theano的一款深度学习python库，不仅能够用来搭建普通神经网络，还能建各种深度学习模型，例如：自编码器、循环神经网络、递归神经网络、卷积神经网络等，重要的是，运行速度几块，对搭建各种神经网络模型的步骤进行简化，能够允许普通用户，轻松地搭建几百个输入节点的深层神经网络，定制程度也非常高。
6.GenismGenism主要用来处理语言方面的任务，如文本相似度计算、LDA、Word2Vec等。
7.TensorFlowgoogle开源的数值计算框架，采用数据流图的方式，可灵活搭建深度学习模型。
