संक्षेप में, दृढ़ संकल्प के लिए आयामों की संख्या के बारे में कुछ खास नहीं है। किसी भी समस्या को हल करने पर दृढ़ विश्वास की किसी भी आयाम पर विचार किया जा सकता है।
आयामों की संख्या समस्या के हल होने का गुण है। उदाहरण के लिए, ऑडियो संकेतों के लिए 1 डी, छवियों के लिए 2 डी, फिल्मों के लिए 3 डी। । ।
कुछ प्रकार के डेटा के साथ काम करते समय, पूर्ण रूप से जुड़े मॉडल की तुलना में, संक्षेप में आयामों की संख्या को ध्यान में रखते हुए, एक दृढ़ तंत्रिका नेटवर्क (CNN) की ताकत मानी जा सकती है :
पूरी तरह से जुड़े नेटवर्क के माध्यम से संसाधित किए गए एक ही डेटा की तुलना में, प्रत्येक स्थान के लिए साझा वजन का उपयोग, जो कि कन्वेंशन प्रक्रियाएं उन मापदंडों की संख्या को काफी कम करती हैं, जिन्हें सीखने की आवश्यकता होती है।
साझा वजन नियमितीकरण का एक रूप है।
एक दृढ़ मॉडल की संरचना डेटा में स्थानीय रिश्तों के बारे में मजबूत धारणाएं बनाती है, जो सच होने पर समस्या के लिए एक अच्छा फिट बनाती है।
3.1 स्थानीय पैटर्न अच्छा भविष्य कहनेवाला डेटा प्रदान करते हैं (और / या उपयोगी रूप से इसे उच्चतर परतों में अधिक जटिल भविष्य कहनेवाला पैटर्न में जोड़ा जा सकता है)
3.2 डेटा में पाए जाने वाले पैटर्न के प्रकार कई स्थानों पर पाए जा सकते हैं। डेटा बिंदुओं के एक अलग सेट में एक ही पैटर्न खोजना सार्थक है।
CNN के ये गुण आयामों की संख्या से स्वतंत्र हैं। एक आयामी सीएनएन एक आयाम में पैटर्न के साथ काम करते हैं, और निश्चित लंबाई के संकेतों पर सिग्नल विश्लेषण में उपयोगी होते हैं। उदाहरण के लिए, वे ऑडियो सिग्नल के विश्लेषण के लिए अच्छी तरह से काम करते हैं। इसके अलावा कुछ प्राकृतिक भाषा प्रसंस्करण के लिए - हालांकि आवर्तक तंत्रिका नेटवर्क, जो अलग-अलग अनुक्रम लंबाई के लिए अनुमति देते हैं, वहां एक बेहतर फिट हो सकता है, विशेष रूप से मेमोरी गेट व्यवस्था जैसे एलएसटीएम या जीआरयू के साथ। फिर भी एक CNN को प्रबंधित करना आसान हो सकता है, और आप निश्चित लंबाई होने के लिए इनपुट को बस पैड कर सकते हैं।