自然の活性化機能：ネットワークと学習能力の表現を高めるために、
図1に示すように、連続微分非線形関数、2、単純な関数、効率を向上させる; 3、一定の間隔距離関数を導きます。
ニューラルネットワークは、典型的には、情報を処理するニューロン間の相互作用を並列処理モデルを分布されます。
1「を示す情報が配布され、2」メモリと接続部の知識に記憶されている; 3「徐々に接続部の強度を変更することによって新しい知識を習得します
図静的および動的計算算出マップ。
静的計算チャート：コンパイル時の構造を最適化することができ、プログラムの実行を変更することはできませんが、強力な並列処理、貧しい柔軟性
図は、動的に計算：建設ランタイムは容易最適化することではなく、入力のネットワーク構造が矛盾していることが困難平行であるが、柔軟性
ネットワークアーキテクチャ
フィードフォワードネットワーク：片方向通信は、畳み込みニューラルネットワークの前に完全に接続されたフィードフォワードネットワークを含む、非環式示すグラフを有向
フィードバックネットワーク：一方向または双方向伝送、循環または図に示すグラフは、ループニューラルネットワーク、ボルツマンマシンが含ま無向
コンボリューションニューラルネットワーク
ローカルリンク、重量の共有
。
畳み込み層、収束層と層が完全に接続された
構成
受容野：神経の特性、視覚、聴覚、そして唯一のその処分で信号神経刺激ゾーンを受け入れるには、例えば、唯一の視神経網膜刺激信号を受け入れます
畳み込み
：信号処理や画像処理は、
信号の畳み込みは、フィルタによって変換されます
。畳み込みは、特徴抽出と呼ばれるプロセスの畳み込み結果により得られた画像の効果的な方法で
特徴マップ
。画像（または一部の機能）に畳み込み摺動畳み込みカーネル（すなわち、フィルタ）の主な機能は、機能の新しいセットの畳み込みによって得られます。
相互相関
：通常コンボリューションカーネルの畳み込みを反転する過程で必要、互いの相関とコンボリューションの区別が反転する画像が必要な場合のように理解することができます。
プーリング収束層
：ダウンサンプリング層、特徴選択、パラメータの数を減らすために機能の数を減らし、最大プール/平均プーリング
共有は、フィルタパラメータの性質を使用しています。重心画素と機能マッピングを構成する周辺画素点を算出することにより、空間特徴抽出を達成しました。
