ニューラルネットワークは算術計算，正規化，線形演算等の基本的なものから，たたみ込みフィルタ，アテンション，回帰等のより高度なものまで，配列操作を表す柔軟なモジュール式の方法を提供する． Wolfram言語はニューラルネットワーク操作のための強力な記号表現を提供する．他のあらゆる言語関数と同じように層を定義，初期化，使用することができるため，新しい構造の検証が格段に簡単になる．これらはNetChainやNetGraph等の豊かな構造と組み合せると，NetTrain関数を使って単一ステップで訓練できる．

基本の層

LinearLayer — を計算する，密に接続された訓練可能層

SoftmaxLayer — 要素を大域的に単位区間に正規化する層

カスタム層

FunctionLayer — Wolfram言語関数からのネットワーク層

CompiledLayer — 任意のコンパイル可能コードからのネットワーク層

PlaceholderLayer — 未定義操作のためネットワーク層

要素ごとの層

ElementwiseLayer — テンソルの各要素に指定の関数を適用する

ThreadingLayer — テンソルシークエンスの対応する要素に関数を適用する

ParametricRampLayer — 学習可能な勾配による漏れのあるアクティベーション

RandomArrayLayer — テンソルの各要素での単変量分布からのサンプル

構造操作層

CatenateLayer  ▪  PrependLayer  ▪  AppendLayer  ▪  FlattenLayer  ▪  ReshapeLayer  ▪  ReplicateLayer  ▪  PaddingLayer  ▪  PartLayer  ▪  TransposeLayer  ▪  ExtractLayer

配列操作層

NetArrayLayer — NetGraphに学習済み定数配列を埋め込む

SummationLayer  ▪  TotalLayer  ▪  AggregationLayer  ▪  DotLayer  ▪  OrderingLayer

たたみ込み層とフィルタリング層

ConvolutionLayer  ▪  DeconvolutionLayer  ▪  PoolingLayer  ▪  ResizeLayer  ▪  SpatialTransformationLayer

回帰層

BasicRecurrentLayer  ▪  GatedRecurrentLayer  ▪  LongShortTermMemoryLayer

シーケンス処理層

UnitVectorLayer — 整数をワンホットベクトルに埋め込む

EmbeddingLayer — 整数を訓練可能ベクトル空間に埋め込む

AttentionLayer — シーケンスの注意する部分を求める訓練可能な層

SequenceLastLayer  ▪  SequenceMostLayer  ▪  SequenceRestLayer  ▪  SequenceReverseLayer  ▪  SequenceIndicesLayer  ▪  AppendLayer  ▪  PrependLayer

訓練最適化層

DropoutLayer  ▪  ImageAugmentationLayer

BatchNormalizationLayer  ▪  NormalizationLayer  ▪  LocalResponseNormalizationLayer

損失層

CrossEntropyLossLayer  ▪  ContrastiveLossLayer  ▪  CTCLossLayer

MeanSquaredLossLayer  ▪  MeanAbsoluteLossLayer

より高次のネットワークの構造

NetMapOperator — シーケンスにマップする

NetMapThreadOperator — 複数のシーケンスにマップする

NetFoldOperator —シーケンスの要素を累積適用する回帰型ネットワーク

NetBidirectionalOperator — 双方向回帰型ネットワーク

NetNestOperator — 同じ操作を複数回適用する

ネットワークの構造

NetChain — ネットワーク層の鎖構造

NetGraph — ネットワーク層のグラフ

NetPairEmbeddingOperator — シャム(Siamese)ニューラルネットワークを訓練する

NetGANOperator — 敵対的生成ネットワーク(GAN)を訓練する