Una red básica de aprendizaje competitivo tiene una capa de neuronas de entrada y una capa de neuronas de salida. Un patrón de entrada x es un simple punto en el espacio real o binario de vectores n-dimensional. Los valores binarios (0 ó 1) de representación local son más usados en los nodos de salida. Esto es, hay tantas neuronas de salida como número de clases y cada nodo de salida representa una categoría de patrones.
Una red de aprendizaje competitivo está formada por una(s) red(es) excitadora hacia adelante y la(s) red(es) inhibidora(s) lateral(es). La red hacia adelante normalmente implementa una regla de excitación de aprendizaje de Hebb . Esta regla consiste en que cuando una neurona participa constantemente en activar una neurona de salida, la influencia de la neurona de entrada es aumentada. La red lateral es inhibidora por naturaleza. Esta red realiza la misión de selecionar el ganador, normalmente por medio de un método de aprendizaje competitivo, de entre los que podemos reseñar el esquema de "winner-take-all"(el ganador lo toma todo) . En un circuito "winner-take-all", la neurona de salida que da el valor más alto se le asigna el valor total (por ejemplo, 1), mientras que todas las demás se le da un valor de 0. El circuito de "winner-take-all" se implementa por una red (digital o analógica) MAXNET. Otro ejemplo de una red lateral son los Mapas de Kohonen en las cuales, se deja que las neuronas de salida interactúen por medio de la red lateral, con lo que el modelo se puede entrenar para guardar cierto orden topológico.