Mạng Hopffield có dạng như hình vẽ 4.8.
Mỗi phần tử trong mạng hoạt động ở dạng nhị phân. Đó là do các phần tử tính tổng có trọng số của các ngả vào và lượng tử hóa ngả ra bằng 0 hoặc 1. Hạn chế này sẽ được giảm bớt bằng cách dùng hàm truyền Sigmoid trong mô hình để phân biệt nhóm tốt hơn.
Hình 4.8: Mạng Hopffield
Mạng Hopfield có 3 lớp: lớp đệm ngả vào, lớp Hopfield và lớp ra. Các lớp có cùng số phần tử. Ngả vào của lớp Hopfield được nối với ngả ra của phần tử tương ứng trong lớp đệm qua các biến trọng số. Ngả ra của lớp Hopfield lại nối ngược lại ngả vào của mỗi phần tử khác chấp nhận nó. Chúng cũng được nối với các phần tử tương ứng trong lớp ra.
Trong hoạt động gọi lại, mạng sẽ áp các dữ liệu từ lớp vào, qua các trọng số học, tới lớp Hopfield. Lớp Hopfield sẽ dao động cho đến khi hoàn tất một số chu kỳ cố định, và trạng thái hiện tại của lớp này sẽ được đưa tới ngả ra. Trạng thái này thích hợp với một mẫu đã được lập trình trong mạng.
Việc học của mạng Hopfield có yêu cầu là một mẫu huấn luyện được đưa tới lớp vào và lớp ra cùng lúc. Tính chất đệ qui của lớp Hopfield cung cấp một phương tiện điều chỉnh tất cả các trọng số. Luật học này là luật Hopfield.
Mạng Hopfield có 2 giới hạn chính khi sử dụng như bộ nhớ định địa chỉ được. Thứ nhất, số lượng mẫu và độ chính xác bị giới hạn. Nếu chứa quá nhiều mẫu thì mạng sẽ hội tụ tại một mẫu mới không chính xác với mẫu đã được lập trình.
Thứ hai, mạng có thể không ổn định nếu số mẫu dùng chung quá giống nhau. Vấn đề này có thể khắc phục bằng cách điều chỉnh tập mẫu trực giao với nhau.