mermaid之subgraph的使用

https://raw.githubusercontent.com/ipfs/ipfs-docs/main/docs/concepts/ipns.md

mermaid之subgraph的使用

第一步:我们把组件画好

graph TB
    Record>"IPNS Record"]
    subgraph Routing
      Publisher
      Resolver
      Local[("Local store")]
      subgraph Transports
        PubSub[(PubSub)]
        DHT[(DHT)]
      end
    end
Routing
Transports
Publisher
Resolver
Local store
PubSub
DHT
IPNS Record

第二步:我们添加组件之间的流程(关系)

graph TB
    Record>"IPNS Record"]
    subgraph Routing
      Publisher
      Resolver
      Local[("Local store")]
      subgraph Transports
        PubSub[(PubSub)]
        DHT[(DHT)]
      end
    end
    Resolver-- resolve -->Record-- "(re)publish" -->Publisher
    Publisher-- PUT -->DHT-. GET .->Resolver
    Publisher-- PUT -->PubSub-. GET .->Resolver
    Publisher-- Cache -->Local-. GET .->Resolver-- Cache -->Local
Routing
Transports
resolve
(re)publish
PUT
GET
PUT
GET
Cache
GET
Cache
Publisher
Resolver
Local store
PubSub
DHT
IPNS Record
### 使用 Mermaid 绘制深度学习网络结构图 Mermaid 是一种基于文本的图表生成工具,能够通过简单的语法快速构建多种类型的图形。尽管其主要用途在于绘制流程图、序列图等常见图表类型,但它也可以被用来近似表达复杂的深度学习网络结构。 #### 定义深度学习网络结构的基本方法 为了使用 Mermaid 表达深度学习网络结构,可以利用 `flowchart` 或者 `graph` 来定义节点之间的关系。这些节点通常代表神经元层或者操作模块,而边则表示数据流或权重传递的关系[^1]。 以下是实现这一目标的关键要素: - **节点命名**:每一层可以用一个唯一的名称标记,比如输入层、隐藏层以及输出层。 - **连接线**:箭头用于指示前向传播的方向。 - **样式定制**:可以通过 CSS 自定义颜色、形状和其他视觉属性以便更清晰地区分不同种类的层。 下面给出一段具体的例子展示如何用 Mermaid 创建一个多层感知机(MLP)模型的简化版本: ```mermaid graph TB; subgraph InputLayer["Input Layer"] i1((X_1)) i2((X_2)) i3((X_n)) end subgraph HiddenLayer1["Hidden Layer 1"] h1((H_1^1)) h2((H_2^1)) hn((H_m^1)) end subgraph OutputLayer["Output Layer"] o1((Y_1)) o2((Y_k)) end %% Connections between layers i1 -->|w_ij| h1 i2 -->|w_ij| h1 i3 -->|w_ij| h1 i1 -->|w_ij| h2 i2 -->|w_ij| h2 i3 -->|w_ij| h2 i1 -->|w_ij| hn i2 -->|w_ij| hn i3 -->|w_ij| hn h1 -->|v_jk| o1 h2 -->|v_jk| o1 hn -->|v_jk| o1 h1 -->|v_jk| o2 h2 -->|v_jk| o2 hn -->|v_jk| o2 ``` 上述代码片段展示了从输入到第一个隐含层再到最终输出的过程,并且每条连线都带有权值标签以体现参数的作用[^2]。 值得注意的是,在实际应用当中可能还需要考虑更多细节,例如激活函数的表现形式或者是卷积核大小这样的特殊配置项。对于更加复杂的情况,则建议借助专门设计好的库来进行可视化处理[^3]。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值