另外，作者介绍卷积层是用来提取笔画特征。
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。
不过，UP主提到，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。
背后原理从实际出发考虑，识别手写数字的任务，仅使用深度神经网络即可。
但是为了尽可能压缩计算量和参数量，作者使用了经典的「LeNet-5」卷积神经网络。
「LeNet-5」架构最初就是为了实现手写数字识别而生。不过，为了进一步减小计算开销，作者将网络的5层结构分别设定成15×15→7×7→30→30→10。
权重也被相应的压缩到[-1,1]。虽然这样的做法会将识别率从90%降到50%，但是如果网络的输入还算规整，那么它依旧可以得到一个很不错的识别率。
由于在Minecraft中实现反向传播是不现实的，而且权重都是使用pytorch训练好之后，再通过代码编辑到文件中，随后导入Minecraft。
由于权重也是随机串，所以只要编辑随机数生成装置即可。
那么随机数生成的原理又是什么呢？
