神經網路的圖還是比較容易看懂的，比電路圖什麼的要好懂多了。只是剛開始接觸有些不習慣罷了，多看一些就好了。

下面舉幾張神經網路圖作為例子（由簡單到複雜）。

下圖是一個非常簡單的3層網路。

首先，我們注意到有一些圓形，它們表示神經元。然後，豎著看，這些神經元組成的“列”稱為網路層。灰色的神經元構成輸入層和輸出層，中間黑色的神經元構成隱藏層。

然後，神經元之間有一些線互相連線，這些線稱為連線。在上圖中，每層中的每個神經元都和下一層中的每個神經元連線，這稱為全連線層（Full Connected，FC）。準確地說，這些線是一些箭頭，這些箭頭指示前向傳播的方向。

當然了，實際的神經網路包含成千上萬的神經元，不可能在神經網路圖中把這些神經元和連線都畫出來。因此，往往是用方塊表示一個神經網路層（而不是像上圖一樣把每層中的神經元都畫出來）。

er the entire ImageNet training set).

上圖中，黑色方塊表示使用ReLU啟用的卷積層，紅色表示最大池化，藍色表示使用ReLU啟用的全連線層，黃色表示softmax層。

有的時候，整個網路很複雜，或者，有的神經網路可以作為元件堆疊起來，或者嵌入更大、更復雜的神經網路，這時候，往往只畫出網路的一部分。比如，下圖為Google在2014年提出的Inception模組：

上圖中，每個方塊都表示一個網路層，比如，紅色是3x3最大池化層，黃色是1x1卷積層，同樣，用箭頭表示連線（只不過不再是神經元中的連線，而是網路層間的連線）。

下圖為ResNet的網路結構圖，同樣，只畫出一個元件，方塊表示網路層，箭頭表示連線。

下圖是MSDNet（多尺度密集網路）的神經網路圖。相對而言，這個神經網路圖比較複雜，不過，一般這種比較複雜的神經網路圖，都會有相應的圖例和說明。

看這種比較複雜的網路圖，首先要搞明白圖例，比如，綠色橢圓表示分類器，黃色方塊表示特徵對映，紅線表示卷積，藍線表示步進卷積，淺黃色虛框表示層。

然後，盯住輸入和輸出。上圖輸入（貓圖）傳給第一層（l = 1），輸出為綠色的分類器。從輸入和輸出兩頭分別往中間推，比較容易看清流向，搞明白整個網路的架構。