منظور از آموزش شبکه یعنی تنظیم پارامترهای آزاد طراحی مثل وزن اتصالات و ورودیها.
براي يادگيري ابتدا لازم است الگوريتم يادگيري انتخاب شود. مهمترين عاملي كه بايد به آن توجه نمود به كارگيري يك الگوريتم مناسب براي آموزش شبكه است. لازم به ذكر است بيش از 100 نوع الگوريتم يادگيري تا كنون به وجود آمده است كه يك نوع طبقهبندي اين انواع توسط ليپمان ارائه شده است كه براساس شكل ورود اطلاعات است و به صورت يادگيري بدون ناظر و با ناظر ميباشند
در يادگيري بدون ناظر يا يادگيري خود سازمانده بردار جواب مطلوب به شبكه اعمال نميشود. در واقع هنگامي كه تعداد لايهها و نرونها افزايش مييابد كار يادگيري در الگوريتمهاي با ناظر بسيار كند پيشميرود و اين ايراد اساسي اين دسته از الگوريتمهاست
در الگوريتمهاي بدون ناظر جواب بدست آمده در حافظه بلند مدت ذخيره شده و از همان ابتدا وروديها دستهبندي ميشوند و با استفاده از حافظه مشاركتي بين آنها ارتباط برقرار ميشود.
در اين زمينه يكي از محققان شبكههاي عصبي، به نام کوهونن(از دانشگاه هلسينكي) فعاليتي جدي دارد. كوهنن با تحقيقات در ساختارهاي عصبي غيرمتعارف، به پژوهش در اين زمينه ادامه ميدهد. كوهنن، نرونهاي شبكهعصبي را فيلدهاي مختلفي تقسيمبندي ميكند. در روش كوهنن، نرونهاي هر فيلد <مرتب توپولوژيك> محسوب ميشوند (توپولوژي نام شاخهاي از رياضيات است كه در آن نگاشت از يك فضا به فضاي ديگر بدون تغيير مشخصههاي هندسي، مورد بررسي قرار ميگيرد). گروهبنديهاي سهبعدي كه در ساختار مغز پستانداران يافت شده است، نمونهاي از مرتبسازي توپولوژيك محسوب ميشوند. كوهنن معتقد است كه فقدان ملاحظات توپولوژيك در مدلهاي عصبي امروزي، باعث ميشود كه شبكههاي عصبي امروزي، مدلهاي ساده شدهاي از شبكههاي عصبي واقعي موجود در مغز محسوب شوند. در هر صورت اين حوزه از مبحث شبكههاي عصبي، هنوز در مرحله تحقيقات آزمايشگاهي قرارداد و كاربرد واقعي نيافته است
در تمامي شبکه هاي عصبي، خروجيهاي مرحله آموزش شبکه توسط کاربر تهيه مي شود.اين نوع آموزش همان يادگيري نظارتي است که در بالا شرح داده شد. در شبکه هاي خودسازمانده آموزش مي تواند به صورت نظارتي يا غير نظارتي انجام شود. مزيت بکارگيري يادگيري غيرنظارتي اين است که شبکه، کمينه انرژي را خودش بدست مي آورد و لذا انتظار مي رود که اين شيوه از لحاظ تعداد الگوهايي که شبکه مي تواند به درستي ذخيره و سپس بازشناسي کند، کاراتر باشد
بديهي است که تفسير خروجي به عهده کاربر است، در خلال آموزش، الگوهاي ورودي ارائه مي شوند و زماني که خروجيهاي متناظر با اين وروديها توليد شدند، کاربر مي داند که هر کد خروجي توليد شده متناظر با چه کلاسي است