神经网络的图还是比较容易看懂的，比电路图什么的要好懂多了。只是刚开始接触有些不习惯罢了，多看一些就好了。

下面举几张神经网络图作为例子（由简单到复杂）。

下图是一个非常简单的3层网络。

首先，我们注意到有一些圆形，它们表示神经元。然后，竖着看，这些神经元组成的“列”称为网络层。灰色的神经元构成输入层和输出层，中间黑色的神经元构成隐藏层。

然后，神经元之间有一些线互相连接，这些线称为连接。在上图中，每层中的每个神经元都和下一层中的每个神经元连接，这称为全连接层（Full Connected，FC）。准确地说，这些线是一些箭头，这些箭头指示前向传播的方向。

当然了，实际的神经网络包含成千上万的神经元，不可能在神经网络图中把这些神经元和连接都画出来。因此，往往是用方块表示一个神经网络层（而不是像上图一样把每层中的神经元都画出来）。

上图中，黑色方块表示使用ReLU激活的卷积层，红色表示最大池化，蓝色表示使用ReLU激活的全连接层，黄色表示softmax层。

有的时候，整个网络很复杂，或者，有的神经网络可以作为组件堆叠起来，或者嵌入更大、更复杂的神经网络，这时候，往往只画出网络的一部分。比如，下图为Google在2014年提出的Inception模块：

上图中，每个方块都表示一个网络层，比如，红色是3x3最大池化层，黄色是1x1卷积层，同样，用箭头表示连接（只不过不再是神经元中的连接，而是网络层间的连接）。

下图为ResNet的网络结构图，同样，只画出一个组件，方块表示网络层，箭头表示连接。

下图是MSDNet（多尺度密集网络）的神经网络图。相对而言，这个神经网络图比较复杂，不过，一般这种比较复杂的神经网络图，都会有相应的图例和说明。

看这种比较复杂的网络图，首先要搞明白图例，比如，绿色椭圆表示分类器，黄色方块表示特征映射，红线表示卷积，蓝线表示步进卷积，浅黄色虚框表示层。

然后，盯住输入和输出。上图输入（猫图）传给第一层（l = 1），输出为绿色的分类器。从输入和输出两头分别往中间推，比较容易看清流向，搞明白整个网络的架构。