El conjunto de heurísticas que constituyen los métodos de aprendizaje profundo ha demostrado ser muy eficiente en problemas complejos de inteligencia artificial como el reconocimiento de patrones, reconocimiento de voz, etc., resolviéndolos con una precisión mayor que los métodos aplicados previamente. Nuestro objetivo en este trabajo ha sido integrar el concepto del conjunto rugoso al repositorio de herramientas aplicadas en el aprendizaje profundo en forma de computación granular meriológica rugosa. En nuestra investigación anterior hemos presentado la alta eficiencia de nuestras técnicas de aproximación del sistema de decisiones (creando reflejos granulares de sistemas), que, con una gran reducción en el tamaño de los sistemas de entrenamiento, mantuvieron el conocimiento interno de los datos originales. La investigación actual nos ha llevado a la pregunta de si los reflejos granulares de los sistemas de decisiones pueden ser aprendidos de manera efectiva por las redes neuronales y si el aprendizaje profundo podrá extraer el conocimiento de los sistemas de decisiones aproximados. Nuestros resultados muestran que los conjuntos de datos granulados funcionan bien cuando son analizados por herramientas de aprendizaje profundo. Hemos realizado experimentos ejemplares utilizando datos del repositorio UCI-Se utilizaron las bibliotecas Pytorch y Tensorflow para construir redes neuronales y procesos de clasificación. Resulta que el método de aprendizaje profundo funciona de manera efectiva basado en conjuntos de entrenamiento reducidos. La aproximación de los sistemas de decisiones antes del aprendizaje de las redes neuronales puede ser un paso importante para dar la oportunidad de aprender en un tiempo razonable.