Sieci Deep Learning mogą być przygotowywane i wyszkolone na kilka sposobów. Podstawowym sposobem jest przygotowanie struktury sieci i przeszkolenie danej sieci na podstawie przygotowanych danych. Metoda ta jest podatna na błędy przy konstruowaniu sieci i wymaga dużej ilości danych. Alternatywą jest wykorzystanie istniejących sieci i przeszkolenie ich do rozpoznawania własnych danych. Metoda ta nazywa się z angielskiego Transfer Learning i charakteryzuje się mniejszym kosztem obliczeniowym. Jej główną wadą jest sztywny rozmiar danych wejściowych oraz brak możliwości wpłynięcia na wstępne rozpoznawanie szczegółów (w warstwach konwolucyjnych). Trzecią opcją jest zastosowanie szkieletu istniejącej sieci przy jednoczesnej zmianie parametrów wejściowych i wyjściowych. Wiąże się to z usunięciem wszystkich parametrów wewnętrznych. Rozwiązanie to ma koszt obliczeniowy podobny do szkolenia własnej sieci, jednak poprzez oparcie się na sprawnie działającej strukturze warstw możliwe jest zmniejszenie ilości prób z utworzeniem struktury.