Warstwa wejściowa nie dokonuje żadnych przekształceń danych, odpowiada ona tylko za rozprowadzenie danych wejściowych do neuronów warstwy konkurencyjnej – każda zmienna podana na wejściu musi trafić do każdego neuronu warstwy konkurencyjnej.
Warstwa konkurencyjna (inaczej warstwa topologiczna lub warstwa Kohonena) składa się z neuronów ułożonych w regularną, najczęściej dwuwymiarową siatkę. Każdy neuron tej warstwy ma tyle współczynników wagowych, ile jest wejść sieci. Po odebraniu wartości wejściowych, neuron warstwy konkurencyjnej oblicza podobieństwo swojego wektora wag do wektora wartości wejściowych, najczęściej za pomocą metryki euklidesowej. Topologia sieci (ułożenie neuronów) nie ulega zmianie podczas procesu uczenia, modyfikowane są jedynie wagi.
Neurony warstwy konkurencyjnej nie są ze sobą połączone, jednak dla wygody często przedstawia się je tak, jakby stanowiły węzły siatki. W odróżnieniu od wielu innych typów sieci neuronowych (jak np. perceptron wielowarstwowy), sieć Kohonena nie ma warstw ukrytych.