“3d 网络”通常可以描述为具有 2d 层的网络。它与任何其他网络没有根本不同，因为激活的原理是相同的。每个单元的激活是其输入的线性组合，通过（​​通常是非线性的）激活函数传递。从某种意义上说，维度只是绘图的一个属性。你可以在任何你想要的地方绘制单位（使用你想要的任何尺寸）并且功能是相同的。相反，重要的是连接性。

将网络层“组织”成明确定义的形状有几个原因。一个是为了方便思考（例如在处理像图像这样的二维输入的情况下）。当连接受到限制时尤其如此。例如，在处理图像的卷积网络中，每个单元接收来自前一层单元的本地“补丁”的连接。在这里将图层视为 2d 具有直观意义，因为它让我们可以谈论诸如“局部补丁”之类的事情。但是，和以前一样，您可以完全打乱“位置”，只要连接性相同，功能就会相同。

在卷积网络（例如用于图像处理）中，以 2d 表示层还有一个额外的好处。由于这些网络约束权重/连接性的方式，在 2d 中表示层使得在计算层中所有单元的激活时使用 2d 卷积操作成为可能。尽管它不会改变网络的基本功能，但它是一种实现事物的计算效率非常高的方式。这只是一个例子，在其他情况下，在具有某些维度的网格上表示单元可以发挥计算技巧来加快速度（例如在您链接的博客文章中）。

实际上，博客文章中的网络是一个不同的野兽，因为它是一个尖峰网络，它试图比标准人工神经网络更接近地模拟生物神经元。但是，这是一个完全不同的问题。

对于人工神经网络（机器学习中使用的那种），没有“维度”。正如@user20160 所指出的，卷积网络通常以 2D 形式呈现，以帮助我们理解网络的操作，但是任何单元在空间中都没有位置，只是连接到图像的不同部分。在您链接到的网站中，神经网络具有由单元到单元的跳跃距离定义的连接规则，这意味着每个单元都有一个隐式的 3D 空间位置。回答您的问题：我认为 R 中没有针对此类架构的任何包（尽管我没有进行详尽的搜索）。但是，神经元或者 Brian 模拟环境可能让您使用简单的集成和发射单元来完成它。同样，在 R 或 python 中实现它并不难 - 只需为每个神经元定义一个空间点并根据距离设置连接规则。

我要指出：这样的设计是否有用是一个悬而未决的问题。我们在真实大脑中看到了一些依赖于距离的连接模式（参见例如这篇论文），因此可能有充分的理由这样做。不过，据我所知，没有人真正从机器学习的角度证明过一个好的理由。