上圖為神經網路的示意圖，圓圈為神經元，神經元之間的線條為神經元之間的連結，又稱為權重，神經網路的運作模式為左向右傳遞與運算資料(數字) ，每個神經元都會連結到下一層的每個神經元，神經元中都存有資料稱為激活值(activation value)，名稱的由來是當資料傳遞至神經元時會先經過一個激活函數(activation function)的運算，出來的值再傳到下個神經元裡，而每條線條稱為權重，如上圖就共有八個神經元和十八個權重，傳遞資料意思就是把神經元裡的資料乘上權重在經過激活函數的運算再傳遞到下一個神經元，神經元的第一層稱為輸入層，輸入的資料就是要訓練的原始資料，而第二層以上到倒數第二層稱為隱藏層，隱藏層的層數不限制有多少層，最後一層稱為輸出層，此層通常就是最後的結果，激活值最大的神經元的為模型預測出來的結果。以本專題為例，輸入層放入的就是圖片中的每個像素值，而最後的輸出層就是有六個神經元，分別為六個種類，六個神經元中數值最大的那個就是分類的結果。機器學習中所謂的學習其實就是訓練權重，直到所有的權重可以讓全部輸入資料經過隱藏層後到輸出的分類結果可以完全符合訓練資料的答案。