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。

链接：https://github.com/HarisIqbal88/PlotNeuralNet

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。

链接：https://github.com/gwding/draw_convnet

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：

1. FCNN模型；

2. LeNet模型；

3. AlexNet模型。

链接：http://alexlenail.me/NN-SVG/LeNet.html

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。

链接：https://github.com/BVLC/caffe/blob/master/python/caffe/draw.py

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。

链接：https://tensorflow.google.cn/tensorboard/get_started

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。

链接：https://github.com/martisak/dotnets

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。

链接：http://www.mathworks.com/help/nnet/ref/view.html

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。

链接：https://transcranial.github.io/keras-js/#/

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。

链接：http://magjac.com/graphviz-visual-editor/

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。

链接：https://conx.readthedocs.io/en/latest/index.html

11. ENNUI

个人感觉是个很奇怪的风格，不做过多评价。

链接：https://math.mit.edu/ennui/

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。

链接：https://wagenaartje.github.io/neataptic/