模型画廊 (Model Gallery)
本页展示了使用 torchview 生成的经典深度学习模型可视化结果。
所有图片均为 SVG 矢量图，您可以点击图片或在浏览器中放大以查看所有细节。
🖼️ 计算机视觉 (Computer Vision)
ResNet-50
残差网络：经典的 CNN 架构，通过残差连接（Skip Connections）解决了深层网络的训练难题。图中清晰展示了 Bottleneck 结构。
Inception V3
Inception 架构：以多尺度分支（Inception Module）著称，结构复杂但高效。
Vision Transformer (ViT)
ViT：将 Transformer 架构直接应用于图像块（Patches），完全摒弃了卷积操作。
FCN (Fully Convolutional Network)
全卷积网络：用于语义分割的经典模型，基于 ResNet-50 主干。
📝 自然语言处理 (NLP)
Transformer Encoder (BERT-style)
Transformer 编码器：包含 Multi-Head Attention 和 Feed Forward Network，是 BERT 等模型的基础。
Seq2Seq with Attention
序列到序列 + 注意力机制：经典的机器翻译架构。图中展示了 Encoder（左）和 Decoder（右）以及中间的 Attention 计算过程（横向布局）。
🛒 推荐系统 (Recommender Systems)
Wide & Deep
Wide & Deep：结合了线性模型（Wide，记忆能力）和深度神经网络（Deep，泛化能力）的经典推荐架构。
🎨 生成模型 (Generative Models)
VAE (Variational Autoencoder)
变分自编码器：图中展示了完整的生成流程：Encoder → Reparameterization (采样) → Decoder。
⭐ 特殊架构 (Special Architectures)
WaveNet
WaveNet：用于语音合成的生成模型。图中清晰展示了基于空洞卷积（Dilated Convolution）的残差块堆叠结构（横向布局）。
GCN (Graph Convolutional Network)
图卷积网络：处理图结构数据的神经网络。
如何贡献
如果您想为画廊添加新的模型，请确保：
1. 模型结构具有代表性。
2. 使用 torchview 生成 SVG 格式以保证清晰度。
3. 提交 PR 到我们的仓库。