神经元阵列输出识别结果或传递到下一层。

各数字的置信度。

卷积层用来提取笔画特征。

全连接第一层：压缩信息并分类。

激活函数阵列：将数据非线性地映射到高维特征空间。

全连接第二、三层：进一步分类并输出识别结果。

作者表示，该网络使用的架构是压缩的 LeNet-5，准确率达到 80%。

不过，受限于 Minecraft 的运算能力，实际识别时间超过 20 分钟。尽管如此，这仍是红石数电领域的重大突破，也可能启发现实中的硬件神经网络。

目前，视频的播放量已经超过 80 万，全 B 站排行榜最高第 39 名，让各路网友叹为观止。就连图灵奖得主 Yann LeCun 也在 Facebook 上转发了该视频，表示「一位非常有耐心且坚持不懈的人使用红石在我的世界中实现了 LeNet-5。」LeCun 是 LeNet 架构提出者。

【Minecraft】世界首个纯红石神经网络！真正的红石人工智能(中文/English)

【Minecraft】红石卷积神经网络——原理

背后的原理

在另外一个视频《【Minecraft】红石卷积神经网络——原理》中，作者详细解释了红石卷积神经网络的原理。

总的来说，他们使用的是压缩的 LeNet-5 卷积神经网络，卷积是网络的第一步计算，使用一个带权重的窗口（卷积核）逐次扫描图像并提取笔画特征。

然后将这些笔画特征馈入到深度神经网络（全连接层）进行分类识别。