私たちは、畳み込みニューラルネットワーク（CNN）の異なる層が、グローバルテンプレートバンクから学習されたパラメータテンソルの線形結合によって定義されるパラメータ共有スキームを導入します。テンプレートの数を制限することで、従来のCNNと再帰型ネットワークの柔軟なハイブリッド化が可能になります。従来のCNNと比較して、標準的な画像分類タスクにおいて大幅なパラメータ削減を実現しながら、精度を維持することを示しています。私たちの単純なパラメータ共有スキームは、ソフトウェイトを通じて定義されていますが、実際にはしばしばほぼ厳密な再帰構造を持つ訓練済みネットワークを生成します。これらのネットワークは、わずかな副作用で実際のループを持つネットワークに変換できます。したがって、これらのネットワークを訓練することは、適切な再帰アーキテクチャを見つけることを暗黙的に含んでいます。再帰リンクの設計面のみを考えているにもかかわらず、私たちの訓練済みネットワークは最先端のニューラルアーキテクチャサーチ（NAS）手順を使用して構築されたものと競合する精度を達成しています。また、アルゴリズミック性のある合成タスクでは、私たちのハイブリッドネットワークは訓練速度が速く、訓練セットの範囲外にあるテスト例への汎化性能も優れています。これにより、再帰型と畳み込み型ネットワークのハイブリッド化は有益なアーキテクチャバイアスを表している可能性があります。