红石是我的世界里一种可以传递信号的矿石资源，可以用来制作红石电路，进而完成小到如自动门、光开关、频闪电源的简单机械，大到电梯、自动农场、盾构机、小游戏平台甚至计算机的复杂工具。
本次作者们搭建的这个神经网络的架构，基于LeCun于1998年提出的经典卷积结构LeNet-5，它就是用来实现手写数字识别的。
相比传统的全精度计算（乘法器和加法器），作者经过一番思考和估算，决定采用随机计算的方式来实现这个神经网络，这样可以让设计和布局都简单一些。
毕竟对于用随机计算实现乘法来说，只需一个与门就可以表示单极，一个同或就能表示双极。
由于在我的世界中进行反向传播不太可能，网络的权重都是先在Pytorch中训练好，然后直接搬进去。
为了生成由随机串组成的权重，作者利用“投掷器投掷物品是随机的”这一原理造了一个随机数生成器。
总的来说，他们采用的是一个压缩的LeNet-5，先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。
具体来说：
首先由输入设备：一个单脉冲式压力板手写板和15×15坐标屏，产生坐标信号，并在屏幕上绘制出笔迹。
然后手写数字进入卷积层，累加卷积核被遮盖的部分，并将结果输出到下一层。
其中：
（1）在卷积层，作者没有使用随机计算，而是使用我的世界中的模拟信号进行加法运算；
（2）为了保证输入数据可以非线性地映射到高维度特征空间然后进行线性分类，输出经过了激活函数ReLU；
（3）由于卷积无法随意移动，所以采用直接堆叠的方式，再通过硬连线连接到手写板输入上。
随后，是全连接层。每层由若干神经网络构成，每个神经元都连接多个输入，并产生一个输出。神经元将每个输入加权累加，然后带入一个激活函数输出。
全连接层使用的是随机计算，
激活函数用的是非线性的tanh。
实际的神经元电路如下：
