神经网络包含先验知识。这可以通过两种方式完成：第一种（最常见且更稳健）是数据增强。例如在卷积网络中，如果我们知道我们正在查看的对象的“值”（无论是什么，类/回归）是旋转/平移不变的（我们的先验知识），那么我们会通过随机旋转/移位来增加数据. 第二个是带有一些附加项的损失函数。

是的，我们可以在深度学习器中做到这一点。

例如，假设我们有一个输入向量 likes$(a, b)$并且根据先验知识，我们知道$a^2 + b^2$也很重要。因此，我们可以将此值添加到向量 likes$(a, b, a^2 + b^2)$.

作为另一个示例，假设日期时间在您的数据中很重要，但未在输入向量中编码。我们可以将其作为第三维添加到输入向量中。

总之，它取决于先验知识的结构，我们可以将其编码到输入向量中。

为了增加 Foivos 的答案，

卷积神经网络是移位不变的。福岛将此介绍给他的 Neocognitron。有一条线索可以将尺度不变性引入 CNN。 https://arxiv.org/abs/1411.6369

此外，CNN 使用结构特征作为先验知识。

并且神经网络是局部平滑的。

它并不完美，但神经网络融合了很多先验知识。

这有点取决于您如何准确定义知识，以及您对经过训练的 NN 模型中的权重真正代表什么的看法。但是要以最直接的方式回答这个问题（希望不要听上去油嘴滑舌），那么是的，可以对 NN 进行预训练，然后您可以采用该模型并对其进行额外的训练，所以从某种意义上说，它是使用“先验知识”。

如果，OTOH，知识对你来说意味着一些不同的东西，并且你正在考虑编码在语义网络、概念图或类似性质的东西中的那种知识，那么我不知道 - 即兴 -将其集成到 ANN 中的任何直接方式。您可能能够做的是将 NN 与一种不同类型的推理器（用于推理语义网络/概念图）相结合，然后整合结果。AFAIK，最好的方法是一个未解决的研究问题。