根据定义，Kohonen 网络是单层 FCNN，但它们与其他网络的区别在于它们的无监督训练过程。

这个过程是输入、权重和一些超参数的函数。这意味着如果你有一个多层网络，你可以使用这个过程只训练最后一层的权重。这样想，让$f$成为最后一层，并且$g$是所有其他层的组合，使得整个网络$N(x) = f \circ g(x)$. 使用 kohonens 训练程序，您可以学习$f$的权重，其中输入是$g(x)$而不是 x。但那你将如何学习$g$的权重？

所以你可以通过迭代学习来做到这一点。让$N$是一个 2 层网络：$N = f_2 \circ f_1$. 先学$f_1$使用单层程序，现在你可以学习了$f_2$以同样的方式，除了它试图聚类的输入特征将是$f_1(x)$而不是$x$.

但是，这个过程确实存在缺点：在每一层使用 kohonen 网络将尝试将其聚类到其能力范围内，而不是使其最终组成最佳（这是许多优化过程中的常见问题，不是端到端的） -end)，但它当前的表示是。这可能会导致非最佳结果，无法实现您正在寻找的深度表示，而您可以在自动编码器或其他更深层次的无监督模型中实现。