Ustaliliśmy podstawowe idee uczenia głębokiego: reprezentuj hipotezy jako wykresy obliczeniowe z dostrajalnymi wagami i obliczaj gradient funkcji straty w odniesieniu do tych wag, aby dopasować dane treningowe. Teraz przyjrzymy się, jak złożyć wykresy obliczeniowe. Zaczynamy od warstwy wejściowej, w której przykład uczący lub testowy x jest zakodowany jako wartości węzłów wejściowych. Następnie rozważamy warstwę wyjściową, w której dane wyjściowe 
są porównywane z rzeczywistymi wartościami y, aby uzyskać sygnał uczenia się do strojenia wag. Na koniec przyjrzymy się ukrytym warstwom sieci.