converter imagens coloridas em escala de cinza, como pré-requisito para que a rede consiga aprender padrões visuais; 

embaralhar aleatoriamente os pixels da imagem de entrada, de forma a aumentar a generalização do modelo por meio de ruído; 

reduzir a dimensão espacial das imagens de entrada, descartando linhas e colunas para diminuir o custo computacional; 

aplicar filtros com pesos compartilhados sobre a imagem para extrair padrões locais, como bordas, texturas e formas simples, gerando mapas de ativação; 

transformar automaticamente qualquer imagem em um vetor de mesma dimensão que a camada de saída, substituindo a necessidade de camadas totalmente conectadas.