Ha két osztály elemeit kell megkülönböztetni, akkor bináris osztályozásnak, vagy logisztikus regressziónak is hívják a feladatot. A kimenet 0 és 1 közötti szám, amely minél közelebb van a két véglethez, annál biztosabb a modell a döntésben. Ha a kimenet mindig 0.5-höz közeli, akkor a modell valószínűleg rosszul működik.
A konvolúciós neurális hálók nevükből adódóan konvolúciós rétegeket tartalmaznak, adott méretű és számú kernelt rétegenként. Fényképek, IMU szenzor kimenete és egyéb alakzatokra épülő adatok esetén ezek a hálók képesek automatikusan felismerni a lokális mintázatokat és jellemzőket, például éleket, textúrákat, valamint időbeli vagy térbeli mintázatokat. Az egymásra épülő rétegek révén a háló egyre összetettebb mintázatokat tanul meg, így alkalmas képfeldolgozásra, mozgásfelismerésre és számtalan hasonló feladatra.
Gyakran a konvolúciós rétegeket max pooling rétegek követik. Egy 2x2 max pooling réteg felére csökkenti egy kép szélességét és magasságát úgy, hogy a képet 2x2 méretű területekre bontva mindenhol az adott 4 elem maximumát válaszja. Kevesebb lesz az adat, de közben a kinyert jellemző karakterisztikája megmarad.
Legtöbbször nem lehetséges a teljes tanuló adathalmazt egyben betáplálni az algoritmusnak, ennek oka a nagy mérete és a tanításhoz használt eszköz memóriakorlátja. A megoldás az, hogy kis méretű csoportokra kell felosztani az adatot, ez a batch. A batch size paraméter a minták száma egy csoportban.
Maga a tanítás egy iteratív folyamat. Egy epoch alatt az iterációk száma megegyezik azzal, hogy hány batch adja ki a teljes adathalmazt. Minden epoch alatt a teljes adathalmaz keresztül áramlik a hálón, így hangolva a súlyokat, konvolúciós kerneleket. Ideálisan minden epoch alatt nő a pontosság, majd egy idő után alig.
A teszt adathalmaz eredményei könnyen bemutathatók egy mátrixon, ahol az egyes osztályok kapnak helyet a vízszintes és függőleges tengelyen egyaránt. A sorokban a helyes, az oszlopokban a modell által prediktált osztályok vannak, a mátrix elemei az egyes kombinációk száma. Magyarosított neve az igazságmátrix.
A tanulási görbék a modell teljesítmények alakulását mutatják be a tanítás során. Az iterációk függvényében ábrázolják a pontosságot és veszteséget. A tanító és validációs adathalmazokkal rajzolt görbék alakulásából következtetni lehet alultanulásra, túltanulásra. Eldönthető, hogy szükség van-e több adatra, regularizációra, vagy a tanítás korai leállítására, továbbá érdemes-e kísérletezni mélyebb vagy egyszerűbb struktúrával.