24 個神經網路結構圖提示詞，打造論文可用的架構圖（2026）

一張好的模型架構圖能讓讀者一眼看懂你的網路：依序排列的各層、流經其中的張量維度，以及那些有趣的區塊落在哪裡。但要手繪它們既緩慢，而一般通用型影像 AI 又會把標註弄得亂七八糟。本指南提供 24 個可立即使用的神經網路結構圖提示詞、一套可重複使用的提示詞範本，以及實際生成的範例，讓你能在幾分鐘內用 AI 製作出乾淨、清楚標註、論文可用的架構圖——不需要向量軟體，也不需要繪圖技巧。

讀完本指南後，你將能夠：

只用一句話就生成 CNN 架構圖、Transformer 架構圖、RNN/LSTM 圖、MLP 圖、U-Net 圖與機器學習流程圖。
用簡單的四段式範本，把任何提示詞調整成適合你自己模型的版本。
避開那些讓 AI 神經網路圖看起來不對勁的常見錯誤。

把任一提示詞貼進神經網路結構圖產生器，接著透過要求新增一層、標註張量維度、重新上色或重新標註來微調結果——或在 SciDraw AI 編輯器中開啟，持續迭代。

一個優秀架構提示詞的構成

大多數不理想的結果都來自模糊的提示詞。強而有力的神經網路結構圖產生器提示詞包含四個部分：

主題——哪一種模型或區塊（例如「一個 CNN 影像分類器」、「單一個 LSTM 單元」）。
依序排列的層／區塊——列出從輸入到輸出的每個階段（卷積、池化、注意力、全連接、softmax）。
標註／張量維度——把每個區塊命名出來，並在審稿人會期待之處要求標註特徵圖或張量尺寸。
風格與方向——「扁平的技術示意圖、由左至右的資料流、標註齊全的區塊、乾淨的無襯線文字」。

範本：「畫出 [模型]，含 [依序排列的層／區塊，輸入 → 輸出]。標註 [區塊名稱與張量維度]。使用乾淨的扁平技術示意圖，並由左至右呈現資料流。」

把這句口訣留在手邊——下面每一個提示詞都遵循它，而當你想線上畫神經網路時，也可以換成自己的模型。

如何取得乾淨的架構圖

依序列出各層，並明確標出輸入與輸出，讓資料流毫不含糊。
要求張量維度（例如「標註特徵圖尺寸」或「標註輸出維度」），當你需要一張嚴謹的模型架構圖時。
把區塊命名出來——「多頭注意力」、「殘差區塊」、「跳接連線」——讓每一個都被畫得清楚分明。
指定方向。 由左至右是論文用架構圖的慣例；由上而下則能讓非常深的堆疊維持可讀性。
圖內文字要簡短。 把細節放進圖說，而不是塞進圖裡。
持續迭代，不要重來。 用「在每個卷積層後加上 batch-norm」來微調，而不是重寫整段提示詞。

卷積網路（CNN、ResNet、U-Net）

CNN 圖是最常被要求的深度學習架構圖——也是最容易畫得雜亂的，因為卷積／池化堆疊與不斷變化的特徵圖尺寸都必須標註得乾淨俐落。先從完整的分類器開始，再延伸到殘差區塊與分割網路。

CNN 架構圖，呈現輸入影像經卷積層與池化層、攤平、全連接層到 softmax 分類器，並標註特徵圖尺寸

畫出一張 CNN 架構圖，從一張輸入影像經過堆疊的卷積層與池化層，到攤平、兩層全連接層與一個 softmax 分類器；標註每一階段的特徵圖尺寸（例如 224×224×3 → 112×112×64），並由左至右呈現資料流。
畫出一個 ResNet 殘差區塊，呈現跳接（恆等）連線加回到兩層卷積路徑上，並清楚標註相加運算、ReLU 與 batch-norm。
畫出一張 U-Net 圖，含收縮的編碼器、擴張的解碼器，以及橋接相符層級的跳接連線；標註下取樣、上取樣、瓶頸層與分割輸出遮罩。
畫出一個深度可分離卷積區塊（MobileNet 風格），與標準卷積對比，標註深度卷積與逐點卷積階段以及節省的參數量。
畫出一個帶特徵金字塔網路（FPN）的視覺骨幹：一個 CNN 產生多尺度特徵圖，由上而下以橫向連線合併，每一層級都標註清楚。

U-Net 圖，呈現收縮編碼器、擴張解碼器、瓶頸層與跳接連線，並附上分割輸出遮罩，作為影像對影像模型架構圖

Transformer 與注意力機制

拜 LLM 與 ViT 之賜，Transformer 架構圖如今是搜尋量最高的神經網路圖。這些提示詞涵蓋完整的編碼器-解碼器堆疊、單一個注意力區塊，以及僅編碼器與僅解碼器的對比。

Transformer 架構圖，含編碼器與解碼器堆疊、輸入嵌入加上位置編碼、多頭自注意力、前饋區塊、add-and-norm 層與輸出 softmax

畫出完整的 Transformer 架構，含堆疊的編碼器與解碼器區塊：輸入嵌入加上位置編碼、多頭自注意力、前饋子層、add-and-norm 殘差連線、解碼器中的遮罩注意力，以及最後的線性加 softmax 輸出。
畫出單一個多頭自注意力區塊，呈現查詢（query）、鍵（key）與值（value）、縮放點積注意力、softmax，以及多頭的串接，並標註張量維度。
畫出一個視覺 Transformer（ViT），把一張輸入影像切成固定大小的圖塊、線性嵌入、在前面加上類別 token、加入位置編碼，並把它們送過一個 Transformer 編碼器到分類頭。
並排畫出僅編碼器的 Transformer（BERT 風格）與僅解碼器的 Transformer（GPT 風格），標註兩者注意力遮罩的差異與各自的典型任務。
單獨畫出位置編碼步驟：一串 token 嵌入與正弦位置向量相加，清楚標註。

循環與序列模型（RNN、LSTM、seq2seq）

RNN/LSTM 圖必須把時間呈現清楚——可以沿時間步展開，或畫成單一個帶閘門的單元。這些提示詞兩者皆涵蓋，再加上經典的編碼器-解碼器序列模型。

RNN 與 LSTM 圖，呈現一個沿時間步展開的循環網路，隱藏狀態在各步間傳遞，以及一個 LSTM 單元含輸入、遺忘與輸出閘門與單元狀態

畫出一個沿四個時間步展開的循環神經網路，含每一步的輸入、隱藏狀態與輸出，以及隱藏狀態箭頭從一步傳到下一步，全部標註齊全。
畫出單一個 LSTM 單元，呈現輸入閘門、遺忘閘門與輸出閘門、候選值、貫穿頂部的單元狀態，以及各個閘門乘法，每個元件都標註清楚。
畫出一個 GRU 單元，與 LSTM 單元對比，標註更新閘門與重設閘門，並指出沒有獨立的單元狀態。
畫出一個序列對序列模型，含一個編碼器 RNN 把輸入壓縮成一個脈絡向量，以及一個解碼器 RNN 生成輸出序列，並標註兩者之間的注意力連結。
畫出一個雙向 RNN，正向與反向處理一個序列，並在每個時間步把兩股隱藏狀態串接起來。

經典與生成式模型（MLP、自編碼器、GAN、擴散模型）

從教科書上的 MLP 圖到現代生成式網路，這些都很適合用於教學以及論文的背景章節。

前饋 MLP 圖，含輸入層、兩個隱藏層與輸出層，呈現全連接的神經元並標註每層的神經元數量

畫出一個全連接前饋網路（MLP），含一個輸入層、兩個隱藏層與一個輸出層，呈現神經元之間的密集連線，並標註每一層的神經元數量。
畫出一個自編碼器，含一個編碼器把輸入逐步壓縮到一個瓶頸潛在空間，以及一個對稱的解碼器重建輸入，並標註壓縮過程與潛在維度。
畫出一個變分自編碼器（VAE），呈現編碼器產生一個平均值與變異數、透過重參數化技巧取樣的潛在向量，以及解碼器的重建。
畫出一個 GAN，含一個生成器把一個雜訊向量變成一個假樣本，以及一個判別器分辨真假，並標註對抗式訓練迴路與兩個損失訊號。
把一個擴散模型的前向加噪過程與反向去噪過程畫成由左至右的流向，並標註雜訊排程，以及每個反向步驟的 U-Net 去噪器。

端到端機器學習流程

一張乾淨的機器學習流程圖呈現的是整個系統，而不只是模型——非常適合論文或報告中的方法或系統總覽圖。

機器學習流程圖，呈現資料收集、前處理、特徵工程、模型訓練、評估與部署各階段，並含一條回到資料收集的監控回饋迴路，由左至右繪製

把一個端到端的機器學習流程畫成由左至右的流向：資料收集、前處理、特徵工程、模型訓練、評估與部署，並含一條回到資料收集的監控回饋迴路，每個階段都標註清楚。
畫出一個 RAG（檢索增強生成）系統：使用者查詢、一個嵌入步驟、一個在向量資料庫上運作的檢索器、檢索到的脈絡，以及一個 LLM 生成有依據的答案，由左至右繪製。
把一個 MLOps 生命週期畫成一個迴路：資料版本控制、實驗追蹤、模型訓練、CI/CD、部署與監控，並以漂移偵測觸發重新訓練。
畫出一個模型服務架構：使用者端請求進到一個負載平衡器、一個帶批次處理的推論伺服器、一個 GPU 模型副本，以及一個特徵商店（feature store），並標註延遲。

常見錯誤（以及如何修正）

區塊未標註或標錯。 修正：在提示詞中列出精確名稱（「標註 conv1、pool1、fc1、softmax」）。用「把『attetion』修正為『multi-head attention』」重新生成。
張量維度缺失或錯誤。 修正：明確要求「標註每一階段的特徵圖尺寸」，並給出輸入維度，讓整條鏈維持一致。
資料流方向不明。 修正：要求「由左至右、帶箭頭的資料流」，讓讀者知道張量往哪個方向移動。
文字亂碼（一般通用型影像 AI 的常見問題）。修正：SciDraw AI 會輸出乾淨的無襯線標註——若有任何 token 看起來不對，重新生成並指定精確用字。
堆疊過於擁擠。 修正：要求「把重複的區塊合併成一個標註 ×N 的區塊」或把圖拆成多格。

匯出並使用你的架構圖

當一張圖看起來沒問題後，把它匯出成可編輯的 SVG 或 PowerPoint（PPTX），或下載高解析度影像，用於你的稿件、投影片或海報。需要修正層名稱、改正錯字或翻譯標註嗎？請參閱如何編輯 AI 圖表中的文字與標註。需要不同的配色——配合期刊風格或色盲友善配色？請參閱如何替科學圖表重新上色。