结合两个不同的完全训练的神经网络不仅可行，而且很常见。让我们看一下作为涉及整数的两个概念给出的示例，$C_a$和$C_m$.

$$C_a: \mathcal{Y} = f_a (\mathcal{X}) = x_0 + x_1$$

$$C_m: \mathcal{Y} = f_m (\mathcal{X}) = x_0 \, x_1$$

现在让我们定义一个操作面板，包括这两个二元操作，可以用来构造一个概念$C_e$，由任意层次的加法、乘法、常量和替换组成的表达式。

$$C_e: \mathcal{Y} = f_e (\mathcal{X}) \; \text{, where}$$

$$f_e \in \{f_a, f_b\} \; \land \; i \in \{0, 1\} \; \land \; ( \, x_i \in \mathbb{I} \; \lor \; x_i \in \mathcal{Y} \, ) \; \text{.}$$

现在，可以训练一个人工网络来近似$f_a$在概念类中$\mathbb{C}$其中$C_a$和$C_m$是成员，使用正确整数加法的标记示例，并且可以训练另一个人工网络来近似$f_b$在同一概念类中，使用正确整数乘法的标记示例。

可以训练涉及两者的表达式以在特定条件下近似求和的任意乘积或乘积之和。目前尚不清楚这是否是您正在寻找的。

通常，人们不会训练网络来执行已知的操作。训练通常用于对未知的操作进行建模。

（Bilinear Convolutional Neural Networks (B-CNNs)，在Bilinear CNNs for Fine-grained Visual Recognition中介绍，2017，Tsung-Yu Lin，Aruni RoyChowdhury，Subhransu Maji，是一种结合使用两个 CNN 提供两个精细和课程的方法视觉识别与人类视觉系统可以对细节和全景具有双重意识的方式相同。B-CNN 可能不适用于问题中给出的场景。）