Ответ 1

Разница между CNN и RNN заключается в следующем:

CNN:

• CNN принимает вход фиксированного размера и генерирует выходы фиксированного размера.

• CNN - это тип искусственной нейронной сети с обратной связью - это вариации многослойных персептронов, которые предназначены для использования минимальных объемов предварительной обработки.

• CNN используют схему взаимодействия между нейронами и вдохновляются организацией зрительной коры животного, индивидуальные нейроны которой устроены таким образом, что они реагируют на перекрывающиеся области, облицовывающие поле зрения.

  /li >

• CNN идеально подходят для обработки изображений и видео.

РНН:

• RNN может обрабатывать произвольные длины ввода/вывода.

• RNN в отличие от родственных нейронных сетей - может использовать свою внутреннюю память для обработки произвольных последовательностей входов.

• Рекуррентные нейронные сети используют информацию о временных рядах. то, что я говорил в последний раз, повлияет на то, что я буду говорить дальше.

• RNN идеально подходят для анализа текста и речи.

Ответ 2

Сверточные нейронные сети (CNN) предназначены для распознавания образов. Он имеет свертки внутри, которые видят края объекта, распознанного на изображении. Рекуррентные нейронные сети (RNN) предназначены для распознавания последовательностей, например речевого сигнала или текста. Рекуррентная сеть имеет циклы внутри, что подразумевает наличие короткой памяти в сети. Мы применили CNN, а также RNN, выбирая подходящий алгоритм машинного обучения для классификации сигналов ЭЭГ для BCI: http://rnd.azoft.com/classification-eeg-signals-brain-computer-interface/

Ответ 3

Очевидно, что я немного опаздываю здесь, но я хотел бы указать любому, кто интересуется нейронными сетями, на в этой статье. Это не только объясняет основы достаточно хорошо, но также дает вам оригинальные документы, если вы хотите копать глубже, обращаясь ко всем наиболее распространенным архитектурам Neural Net сегодня.

ice.cube очень хорошо ответил на основные применения каждого

Ответ 4

Эти архитектуры совершенно разные, поэтому довольно сложно сказать "в чем разница", поскольку единственное, что является общим, это факт, что они оба являются нейронными сетями.

Сверточные сети - это сети с перекрывающимися "полями приема", выполняющими задачи свертки.

Рекуррентные сети - это сети с повторяющимися соединениями (идущими в противоположном направлении от "нормального" потока сигналов), которые образуют циклы в топологии сети.

Ответ 5

Во-первых, нам нужно знать, что рекурсивный NN отличается от рекуррентного NN. По определению wiki,

Blockquote

Рекурсивная нейронная сеть (RNN) - это своего рода глубокая нейронная сеть, созданная путем рекурсивного применения одного и того же набора весов по структуре

Blockquote

В этом смысле CNN - это тип рекурсивного NN. С другой стороны, повторяющийся NN является типом рекурсивного NN, основанного на разнице во времени. Поэтому, на мой взгляд, CNN и повторяющиеся NN различны, но оба они получены из рекурсивного NN.

Ответ 6

Сверточные нейронные сети (CNN) для компьютерного зрения и рекуррентные нейронные сети (RNN) для обработки естественного языка.

Хотя это может быть применено в других областях, RNN имеют преимущество сетей, которые могут иметь сигналы, перемещающиеся в обоих направлениях, путем введения петель в сети.

Сети обратной связи являются мощными и могут стать чрезвычайно сложными. Вычисления, полученные из предыдущего ввода, возвращаются в сеть, что дает им некоторую память. Сети обратной связи динамичны: их состояние непрерывно меняется, пока не достигнет точки равновесия.

Ответ 7

Помимо других, в CNN мы обычно используем 2d квадратное скользящее окно вдоль оси и свернутое (с оригинальным входом 2d-изображение) для идентификации узоров.

В RNN мы используем ранее рассчитанную память. Если вас это интересует, вы можете увидеть LSTM (Long Short-Term Memory), который является особым видом RNN.

И CNN, и RNN имеют одну общую точку, поскольку они обнаруживают шаблоны и последовательности, то есть вы не можете перетасовывать свои одиночные входные биты данных.