Pojedynczy neuron nie wystarcza do rozwiązywania skomplikowanych zadań, dlatego też łączy się je tworząc sieć neuronową. Przykładowy model, którym będziemy się zajmować to sieć jednokierunkowa. Mamy tutaj m neuronów połączonych z n neuronami warstwy następnej bez sprzężeń zwrotnych i połączeń między neuronami z tej samej warstwy. Warstw możemy mieć k. Pierwsza warstwa to warstwa wejściowa ostatnia to wyjściowa, pozostałe to tzw. warstwy wewnętrzne lub ukryte. Zazwyczaj taka sieć posiada jedną warstwę neuronów wejściowych, jedną wartwę neuronów wyjściowych oraz jedną warstwę ukrytą. Dzięki zwiększaniu ilości warstw można rozwiązywać coraz bardziej skomplikowane problemy, aczkolwiek zwiększa się czas działania i uczenia sieci.

Obliczenia dla takiej sieci następują identycznie jak dla pojedynczego neuronu. A zatem mamy dane wartości x₁, x₂, ... x_n. Na ich podstawie obliczamy wartości neuronów (perceptronów) w warstwie ukrytej. A więc z₁=f(x₁*w¹₁₁ + x₂*w¹₂₁ + ... + x_n*w¹_n1) , itd, gdzie funkcja f jest funkcją aktywacji neuronu (liniowa (rzadko), sigmoidalna, tangens hiperboliczny, Gaussa lub signum). Kolejną warstwę (w naszym wypadku wyjściową, ale może to być kolejna warstwa ukryta) obliczamy podobnie y₁=f(z₁*w²₁₁ + z₂*w²₂₁).