细小的单元被识别出来后第二层对应的神经元便被激活，德州仪器TI神经网络结构

子组件“长竖”被解构成更小的线段单元，当这些细小的单元被识别出来后，第二层对应的神经元便被激活，即通过第二层神经元的函数运算后匹配一定的权重，然后再传入给第三层进行组合，组合出的子组件如果符合某个子组件的特征时，该组件代表的神经元将被激活，富含权重一起继续往下传导，发送给输出层。德州仪器TI在输出层中，组装来自最后一个隐藏层即第三层传输过来的子组件，组合出的结果便呈现为0至9中某一个数字了，于是该数字所代表的神经元阈值达标，被激活，然后输出。这仅仅是一个简单的手写数字的例子，更复杂的图形，比如人脸识别，虽然也是类似的处理方式，但解构的步骤要更多。在最简单的人脸识别神经网络中，至少要有三个隐藏层，分别构建最小单元、面部特征子组件、面部比例轮廓特征，最后再给到输出层。人脸这样复杂的图像需要至少3个隐藏层来做结构分解让我们再回到神经网络结构中，继续往下看这个识别手写数字“9”的详细过程。在连接输出层的最后一个隐藏层，即第三层中，我们期望神经网络能传递出这些解构出来的更细小的子组件。比如，这一层中的某一个神经元节点代表着一个不规则的“圆”的子组件，而另一个节点代表着一个“长竖线”的子组件，如图29中第三层里第一个节点和第三个节点。同时，我们还希望这两个神经元节点的函数运算后的数值大于其他节点的权重数值，即比其他节点更接近于1.0。当最后确实如此时，事先设定的这两个神经元节点传导至输出层代表“9”的节点的权重则为最高。那么，输出层中代表“9”的神经元节点自然通过运算后得到的结果数值也最高，比其他节点更接近于1.0，即系统最终判定输入的手写数字图片是“9”。