### 使用 Matplotlib 和 NetworkX 绘制神经网络图 在 Jupyter Notebook 中，可以通过 `Matplotlib` 和 `NetworkX` 库绘制一个简单的神经网络图，并为其添加详细的注释。以下是具体的实现方法： #### 安装依赖库 首先需要确保已安装所需的 Python 库： ```bash pip install matplotlib networkx ``` #### 实现代码 以下是一个完整的代码示例，用于创建一个包含单个输入节点、两层权重与偏置以及单个输出节点的简单神经网络图。 ```python import matplotlib.pyplot as plt import networkx as nx # 创建有向图对象 G = nx.DiGraph() # 添加节点 G.add_node("Input", pos=(0, 0)) # 输入节点 G.add_node("Hidden Layer 1 (Weight)", pos=(1, 1)) # 隐藏层1（权重） G.add_node("Hidden Layer 1 (Bias)", pos=(1, -1)) # 隐藏层1（偏置） G.add_node("Hidden Layer 2 (Weight)", pos=(2, 1)) # 隐藏层2（权重） G.add_node("Hidden Layer 2 (Bias)", pos=(2, -1)) # 隐藏层2（偏置） G.add_node("Output", pos=(3, 0)) # 输出节点 # 添加边 edges = [ ("Input", "Hidden Layer 1 (Weight)"), # 输入到隐藏层1（权重） ("Input", "Hidden Layer 1 (Bias)"), # 输入到隐藏层1（偏置） ("Hidden Layer 1 (Weight)", "Hidden Layer 2 (Weight)"), # 隐藏层1（权重）到隐藏层2（权重） ("Hidden Layer 1 (Bias)", "Hidden Layer 2 (Bias)"), # 隐藏层1（偏置）到隐藏层2（偏置） ("Hidden Layer 2 (Weight)", "Output"), # 隐藏层2（权重）到输出 ("Hidden Layer 2 (Bias)", "Output") # 隐藏层2（偏置）到输出 ] for edge in edges: G.add_edge(*edge) # 设置绘图参数 pos = nx.get_node_attributes(G, 'pos') labels = {node: node for node in G.nodes()} # 节点标签 edge_labels = {(u, v): f"{u} -> {v}" for u, v in G.edges()} # 边标签 # 绘制图形 plt.figure(figsize=(8, 6)) nx.draw_networkx_nodes(G, pos, node_size=5000, alpha=0.9) nx.draw_networkx_edges(G, pos, width=1.5, arrowsize=20, arrowstyle='->', connectionstyle="arc3,rad=-0.1") nx.draw_networkx_labels(G, pos, labels, font_size=10, font_color='black') # 添加边上的注释 nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels, label_pos=0.4, font_color='red') # 显示图像 plt.title("Simple Neural Network Diagram with Annotations", fontsize=14) plt.axis('off') # 关闭坐标轴显示 plt.show() ``` #### 解析 - **节点定义**：通过 `add_node()` 方法定义了输入节点、两个隐藏层中的权重和偏置节点，以及最终的输出节点[^1]。 - **边连接**：利用 `add_edge()` 方法指定了各节点之间的关系，表示数据流的方向[^2]。 - **布局设置**：使用 `pos` 参数指定每个节点的位置，以便清晰展示整个网络结构[^3]。 - **可视化增强**：通过 `draw_networkx_*` 函数分别渲染节点、边及其对应的标签，使图表更加直观易懂[^4]。 --- ###